R季节性时间序列

我在中使用该decompose函数，R并提出了我每月时间序列的3个组成部分（趋势，季节性和随机性）。如果我绘制图表或查看表格，则可以清楚地看到时间序列受季节的影响。

但是，当我将时间序列回归到11个季节性虚拟变量时，所有系数都不具有统计显着性，表明没有季节性。

我不明白为什么我要得出两个截然不同的结果。有人发生过这种事吗？难道我做错了什么？

我在这里添加一些有用的细节。

这是我的时间序列以及相应的每月更改。在两个图表中，您都可以看到有季节性（或者这就是我想评估的）。特别是，在第二张图表（该系列的每月变化）中，我可以看到一个反复出现的模式（一年中相同月份的高点和低点）。

下面是该decompose函数的输出。我很欣赏@RichardHardy所说的，该函数不会测试是否存在实际的季节性。但是分解似乎证实了我的想法。

但是，当我对11个季节性虚拟变量（1月至11月，不包括12月）的时间序列进行回归时，会发现以下内容：

    Coefficients:
                  Estimate Std. Error t value Pr(>|t|)    
    (Intercept) 5144454056  372840549  13.798   <2e-16 ***
    Jan     -616669492  527276161  -1.170    0.248    
    Feb     -586884419  527276161  -1.113    0.271    
    Mar     -461990149  527276161  -0.876    0.385    
    Apr     -407860396  527276161  -0.774    0.443    
    May     -395942771  527276161  -0.751    0.456    
    Jun     -382312331  527276161  -0.725    0.472    
    Jul     -342137426  527276161  -0.649    0.520    
    Aug     -308931830  527276161  -0.586    0.561    
    Sep     -275129629  527276161  -0.522    0.604    
    Oct     -218035419  527276161  -0.414    0.681    
    Nov     -159814080  527276161  -0.303    0.763

基本上，所有季节性系数都不具有统计学意义。

要运行线性回归，请使用以下函数：

lm.r = lm(Yvar~Var$Jan+Var$Feb+Var$Mar+Var$Apr+Var$May+Var$Jun+Var$Jul+Var$Aug+Var$Sep+Var$Oct+Var$Nov)

在这里，我将Yvar设置为具有每月频率（频率= 12）的时间序列变量。

我还尝试考虑时间序列的趋势成分，包括回归的趋势变量。但是，结果不会改变。

                  Estimate Std. Error t value Pr(>|t|)    
    (Intercept) 3600646404   96286811  37.395   <2e-16 ***
    Jan     -144950487  117138294  -1.237    0.222    
    Feb     -158048960  116963281  -1.351    0.183    
    Mar      -76038236  116804709  -0.651    0.518    
    Apr      -64792029  116662646  -0.555    0.581    
    May      -95757949  116537153  -0.822    0.415    
    Jun     -125011055  116428283  -1.074    0.288    
    Jul     -127719697  116336082  -1.098    0.278    
    Aug     -137397646  116260591  -1.182    0.243    
    Sep     -146478991  116201842  -1.261    0.214    
    Oct     -132268327  116159860  -1.139    0.261    
    Nov     -116930534  116134664  -1.007    0.319    
    trend     42883546    1396782  30.702   <2e-16 ***

因此，我的问题是：我在回归分析中做错了什么吗？

删除趋势后，是否要对数据进行回归？您的趋势为正，除非您已考虑Yvar的趋势，否则您的回归中的季节性特征可能会被掩盖（由于趋势或误差引起的方差大于因月引起的方差）。

另外，我对时间序列不是很自信，但是不应该为每个观察值分配一个月，并且您的回归看起来像这样吗？

lm(Yvar ~ Time + Month)

道歉，如果那没有道理...回归在这里最有意义吗？

在时间序列的图形化描述中，很明显，“趋势”（时间上的线性分量）是实现的最重要的因素。我们要评论的是，这个时间序列最重要的方面是每个月的稳定增长。

在那之后，我要评论的是，相比之下，季节性变化很小。因此，不足为奇的是，对于6年中每月进行的测量（总共只有72个观测值），线性回归模型无法精确地确定11个月份中的任何一个具有统计学意义。此外，时间效应的确具有统计意义也就不足为奇了，因为在所有72个观测值中，它都是相同的近似一致的线性增长，条件是它们的季节效应。

对于11个月的对比中任何一项都没有统计学意义，并不意味着没有季节性影响。实际上，如果要使用回归模型来确定是否存在季节性变化，则合适的检验是嵌套的11自由度检验，该检验同时评估每个月对比的统计显着性。您可以通过进行ANOVA，似然比检验或鲁棒的Wald检验来获得此类检验。例如：

library(lmtest) model.mt <- lm(outcome ~ time + month) model.t <- lm(outcome ~ time) aov(model.mt, model.t) lrtest(model.mt, model.t) library(sandwich) ## autoregressive consistent robust standard errors waldtest(lrtest, lmtest, vcov.=function(x)vcovHAC(x))

我不知道这是否是您的情况，但是当我开始分析R中的时间序列时，这发生在我身上，问题是在创建时间序列对象进行分解时我没有正确说明时间序列周期。时间序列函数中有一个参数，可让您指定其频率。这样做可以正确分解其季节性趋势。