代表错误X，时间=天花板长度Y/长度X：尝试在线性回归的交叉验证中复制“闭包”类型的对象

如何解决代表错误X，时间=天花板长度Y/长度X：尝试在线性回归的交叉验证中复制“闭包”类型的对象

我想为我的练习预测 snp101。我不需要使用一个好的模型，只需要一个可以工作并返回我预测的收盘价与给定日期之间的相关性的模型。我需要为此编写一个函数，在该函数中我想应用交叉验证过程来找到使用 poly() 的最佳模型

我附上了关于我的数据是如何构建的说明。

参数：

每个公司 1 行的 data.frame。

Symbol 包含标准普尔符号为公司，名称包含完整的公司名称

每个日期是一个单独的列，带有日期出现在格式XYYYYY.MM.DD

这很重要，因为我运行的代码适用于另一个数据框的交叉验证，但不适用于这个数据框。因此，我认为问题出在我的数据结构内。

这是我编写的代码，用于创建结束值作为预测变量和日期作为预测变量（时间：

  predicted <- data.frame(Symbol = data_2020$Symbol,predVal = 0)
  
  for (name in data_2020$Symbol) {
    tempData <- data.frame(date = c(1:7),close = as.numeric(data_2020[data_2020$Symbol == name,3:9])  ) 

我写了 7 天，因为我需要预测数据框的最后一天之后的 7 天。

这是我尝试运行的交叉验证，但出现此错误：

代表错误（X，次=天花板（长度（Y）/长度（X）））： 尝试复制“闭包”类型的对象。

当我尝试调试时，我发现它来自 lm 函数行。 我很想知道我的数据/创建的预测变量有什么问题会返回这个错误。

  n_data    = nrow(data_2020)
  max_poly  = 7 # The highest degree we'll fit
  mse       = rep(NA,max_poly) # MSE vector
  bic_value = rep(NA,max_poly) # BIC vector
  log_lik   = rep(NA,max_poly) # log likelihood vector
  predicted = matrix(rep(NA,max_poly*n_data),nrow = n_data) # Matrix for all predicted points,for all degrees
  
 for (j in 1:max_poly) {  ​# For each degree
    # Leave-one-out
    for (i in 1:n_data){
      # Fit the model for all data but one point
      m = lm(data_2020[-i,],formula = close ~ poly(date,j,raw = T)) 
      
      # Predict the left out point
      predicted[i,j] = predict.lm(m,newdata = data_2020[i,])
    }
    
    # Calculate cross-validated MSE
    mse[j] = mean((predicted[,j] - data_2020$close)^2)
    
    # Plot the model fitted with the full data
    p = ggplot(data = data_2020,aes(x = date,y = close)) +
      geom_point() + 
      geom_smooth(method = "lm",formula = y ~ poly(x,raw = T),se = F)
    show(p)
    
    # Calculate the full model
    m = lm(data_2020,raw = T))
    
    # Save the BIC value
    bic_value[j] = BIC(m)
    
    # Save the log likelihood
    log_lik[j] = logLik(m)
  } ```