我写了这段代码来回答你的问题。它将根据ar帮助页中的公式将AR系数乘以滞后值。
不幸的是，结果并不完全正确：（我对预测值的计算与fitted(model)不同。
虽然这并没有回答你的问题，但我会把它贴在这里，以防其他用户能够发现这段代码的错误，或者把它作为完整解决方案的模板。

• 公式 *：

x t −μ=a 1 （x t−1 −μ）++a p （x t−p −μ）+e t

library(fpp, quietly = TRUE)

# fit
model <- ar(usconsumption, aic = FALSE, order.max = 1)

# initialize
pred <- matrix(nrow = nrow(usconsumption), ncol = 2)
colnames(pred) <- colnames(usconsumption)

# predict
for (i in 2:nrow(usconsumption)) {
  pred[i, "consumption"] <- model$x.mean["consumption"] + sum((usconsumption[i-1, ] - model$x.mean) * model$ar[, ,"consumption"])
  pred[i, "income"] <- model$x.mean["income"] + sum((usconsumption[i-1, ] - model$x.mean) * model$ar[, ,"income"])
}

# compare
head(fitted(model))
#>         getResponse(object).consumption getResponse(object).income
#> 1970 Q1                              NA                         NA
#> 1970 Q2                       0.6912944                  0.7115085
#> 1970 Q3                       0.7452274                  0.3364742
#> 1970 Q4                       0.8424964                  0.6631670
#> 1971 Q1                       0.3498029                  0.4041199
#> 1971 Q2                       1.2081025                  1.0924131

head(pred)
#>      consumption    income
#> [1,]          NA        NA
#> [2,]   0.5760684 0.7801837
#> [3,]   1.2252548 0.4806877
#> [4,]   1.1345370 0.6058726
#> [5,]  -0.1613336 0.8975607
#> [6,]   1.7980539 0.5466365

创建于2023-05-22使用reprex v2.0.2