面板(纵向)数据的机器学习方法

Question

我有一个面板数据集，例如：

obj  time        Y       x1      x2
1    1         0.1     1.28    0.02 
2    1        0.11     1.27    0.01   
1    2        -0.4     1.05    -0.06  
2    2        -0.3     1.11    -0.02   
1    3        -0.5     1.22    -0.06  
2    3        1.2      1.06    0.11    

Im new at ML and until recently I did not know that this is a special (panel) data type. I predicted the value of a variableY(t+1)#qcStackCode#by valuesx_1(t)#qcStackCode#andx_2(t)#qcStackCode#` (时滞)采用线性回归模型和最小二乘法。但是现在我读了一些关于面板数据分析的信息，发现我所用的方法并不合适。目前，我发现固定/随机效应模型适用于面板数据分析。所以，我有几个问题：

1. 正确地使用其他方法来分析面板数据(我对神经网络模型感兴趣)？我读到，这些方法必须考虑到这个对象的特定对象值与以前发生的值之间的依赖性(在具有固定和随机效果的模型中)。
2. 我还试图使用MLP通过向其提供2D数据。我将面板数据划分为k=time quants count 2D块，并将这些数据传递给MLP输入。例如，上面的k=3 (input layer size= 4 = number of predictors* block objects count)。在本例中，batch size=1。如果我制作batch size=2并给神经网络提供一维数据(例如上面的input layer size=2 )，会有什么不同吗？在这两种情况下，在所有物体上的观测在一个量子时间内传输后，神经网络的权重将被重建。

Answer 1

面板数据=多目标时间序列.

换句话说，对于不同的对象(obj)，您有时间序列问题(时间)，您正试图抢先(Y)。

如果我是你，我只会剖析这个问题，并开始思考时间序列+另一个被称为obj的歧视专栏。你知道那里有什么方法吗？这里是非常酷和现代的时间系列教程，看看这个。

关于NN，你为什么要把它挤得那么紧？让数据告诉你，algo可以对它建模。就个人而言，考虑到这三个特性，NN太大了，您可以使用一些更简单/更便宜的方法，以更低的复杂度获得相似的结果。