我看你在做VAR模型滚动预测时遇到了window()函数的报错，这个问题主要出在循环逻辑和window参数的使用上，我帮你梳理下问题原因和修正方案：

问题根源分析 #

1. 循环范围完全错误：你写的for (i in j)只会执行一次循环（i=12），而且测试集的start/end计算逻辑混乱，导致指定的起始时间远大于结束时间，触发报错。
2. 混淆了样本索引和时间值：对于mts/ts格式的数据，window()函数默认接受的是时间值（比如你的数据里的2008.166代表2008年3月），而不是样本的位置索引。你直接用数字计算start/end，相当于传入了错误的时间参数，自然会出现时间范围不合法的情况。

修正后的代码 #

下面是调整后的滚动预测代码，我假设你的需求是做滚动单步预测（每次用历史数据预测下一个月，然后将新数据加入训练集继续预测），如果需要多步预测可以再调整：

# 提取时序数据的时间索引，方便精准指定窗口范围
time_idx <- time(chicago_diff11)
n <- length(time_idx)  # 总样本数（你的数据是150）
j <- 12                # 预测总步数
k <- n - j             # 初始训练集长度（150-12=138）

# 初始化存储预测值和实际值的数据框
prediction <- data.frame()
actual <- data.frame()

# 滚动循环：共执行j次，每次训练集长度增加1，预测下1步
for (i in 1:j) {
  # 确定训练集的结束时间：前k+i-1个样本对应的时间
  train_end <- time_idx[k + i - 1]
  trainingset <- window(chicago_diff11, end = train_end)
  
  # 确定测试集的时间：训练集结束后的第一个时间点
  test_start <- train_end + 1/12  # 月度数据，每次时间增量是1/12
  testset <- window(chicago_diff11, start = test_start, end = test_start)
  
  # 拟合VAR模型（注意p=10的合理性，初始训练集138个样本足够支撑该阶数）
  fit <- VAR(trainingset, p = 10)
  
  # 预测1步，提取第一个变量的预测值
  fcast <- forecast(fit, h = 1)
  fcastmean <- as.data.frame(fcast[['mean']][,1])
  colnames(fcastmean) <- "Predicted"
  
  # 提取对应测试集的实际值
  actual_val <- as.data.frame(testset[,1])
  colnames(actual_val) <- "Actual"
  
  # 收集结果
  prediction <- rbind(prediction, fcastmean)
  actual <- rbind(actual, actual_val)
}

# 合并结果并计算误差
result <- cbind(prediction, actual)
result$Difference <- abs(result$Actual - result$Predicted)

# 计算MAE并查看误差统计
cat("Mean Absolute Error:", mean(result$Difference), "\n")
summary(result$Difference)

关键调整说明 #

1. 修正循环逻辑：把for (i in j)改成for (i in 1:j)，确保循环能遍历所有滚动窗口，逐步扩展训练集。
2. 用时间值指定窗口：通过time_idx提取数据的实际时间戳，用这些时间值来设置window()的start和end，彻底避免索引和时间值的混淆。
3. 合理划分训练/测试集：确保测试集的起始时间在训练集结束时间之后，从根本上解决"start cannot be after end"的问题。

如果你的需求是每次预测12步（而不是单步），只需要调整循环内的预测步数h和测试集的时间范围即可，核心逻辑是一致的。

内容的提问来源于stack exchange，提问作者Anakin Skywalker