D:\ZBY\ZBYQT\VarTst\main.cpp:45: error: no matching function for call to 'Eigen::Matrix<double, -1, -1>::mean(int)' b_ = y.mean() - A_.transpose() * X.mean(0); ^

这个错误可能是因为您的 Eigen 版本太旧，不支持 `mean()` 方法。您可以尝试更新 Eigen 版本，或者使用 Eigen 的 `MatrixBase` 类型和 `mean()` 函数来计算均值。

以下是使用 `MatrixBase` 和 `mean()` 函数来计算均值的修改后的代码：

#include <iostream>
#include <vector>
#include <cmath>
#include <Eigen/Dense>

using namespace Eigen;

class VARModel {
public:
    VARModel(int p);
    void addObservation(const VectorXd& observation);
    void estimateCoefficients();
    VectorXd predict(int steps);
private:
    int p_;
    int n_;
    std::vector<VectorXd> observations_;
    MatrixXd A_;
    VectorXd b_;
};

VARModel::VARModel(int p) : p_(p), n_(0), A_(p, p), b_(p) {
    A_.setZero();
    b_.setZero();
}

void VARModel::addObservation(const VectorXd& observation) {
    if (n_ == 0) {
        n_ = observation.size();
    }
    observations_.push_back(observation);
}

void VARModel::estimateCoefficients() {
    int T = observations_.size() - p_;
    MatrixXd X(T, p_ * n_);
    VectorXd y(T * n_);
    for (int i = 0; i < T; ++i) {
        for (int j = 0; j < p_; ++j) {
            X.block(i, j * n_, 1, n_) = observations_[i + j].transpose();
        }
        y.segment(i * n_, n_) = observations_[i + p_];
    }
    A_ = (X.transpose() * X).inverse() * X.transpose() * y;
    b_ = y.mean() - A_.transpose() * X.colwise().mean();
}

VectorXd VARModel::predict(int steps) {
    VectorXd prediction(n_ * steps);
    VectorXd x(n_ * p_);
    for (int i = 0; i < p_; ++i) {
        x.segment(i * n_, n_) = observations_.back() - b_;
    }
    for (int i = 0; i < steps; ++i) {
        x.segment(0, n_ * (p_ - 1)) = x.segment(n_, n_ * (p_ - 1));
        x.segment(n_ * (p_ - 1), n_) = A_.transpose() * x + b_;
        prediction.segment(i * n_, n_) = x.segment(n_ * (p_ - 1), n_);
    }
    return prediction;
}

int main() {
    int p = 2;
    VARModel model(p);
    VectorXd observation(2);
    observation << 1.0, 2.0;
    for (int i = 0; i < 10; ++i) {
        model.addObservation(observation);
        observation += VectorXd::Random(2);
    }
    model.estimateCoefficients();
    VectorXd prediction = model.predict(5);
    std::cout << "Predictions: " << std::endl << prediction << std::endl;
    return 0;
}

在这个修改后的实现中，我们使用 `colwise()` 方法和 `mean()` 函数来计算矩阵的每一列的均值，得到一个 p 维向量。然后，我们使用这个向量来计算 b。