我想在流数据（多维时间序列）的上下文中使用二元逻辑回归模型，以便根据过去的观察预测刚刚到达的数据（即行）的因变量的值。据我所知，逻辑回归传统上用于事后分析，其中每个因变量已经设置（通过检查或研究性质）。

但是，在时间序列的情况下会发生什么，我们希望根据历史数据（例如在最后一个时间窗口中）对因变量进行预测（即时）$t$秒），当然还有先前对因变量的估计？

如果您随着时间的推移看到上述系统，应该如何构建它才能使回归起作用？我们是否必须首先通过标记来训练它，比如说，我们数据的前 50 行（即将因变量设置为 0 或 1），然后使用向量的当前估计${\beta}$估计刚刚到达的数据（即刚刚添加到系统的新行）的因变量为 0 或 1 的新概率？

为了使我的问题更清楚，我正在尝试构建一个系统，该系统逐行解析数据集并尝试预测二元结果（因变量），给定所有先前相关或解释性的知识（观察或估计）在固定时间窗口内到达的变量。我的系统在 Rerl 中并使用 R 进行推理。