我有一个多元时间序列数据集，其中包括相互作用的生物学和环境变量（可能还有一些外生变量）。除季节性外，数据中没有明显的长期趋势。我的目的是查看哪些变量彼此相关。预测并不是真正需要的。
作为时间序列分析的新手，我阅读了一些参考资料。据我了解，向量自回归（VAR）模型是合适的，但我对季节性并不满意，大多数示例都涉及到没有季节性的经济学领域（通常是时间序列分析……）。
我应该如何处理我的季节性数据？我考虑过对它们进行反季节化处理-例如在R中，我将使用decompose，然后使用这些$trend + $rand值来获得看起来非常平稳的信号（根据判断acf）。VAR模型的结果使我感到困惑（选择了1滞后模型，而我会凭直觉期望更多，并且只有自回归系数（而不是与其他滞后变量的回归系数）才有意义）。我是在做错什么，还是应该得出结论，我的变量不（线性）相关/我的模型不是一个好模型（子问题：是否存在与VAR等效的非线性？）。
[或者，我读到我可能可以使用虚拟的季节性变量，尽管我无法确切地知道如何实现它]。
逐步的建议将不胜感激，因为有经验的用户的详细信息实际上可能对我有帮助（当然，非常欢迎R代码段或指向具体示例的链接）。
2
在很大程度上取决于您对季节性的看法。我对文献的零星阅读表明，经济学家经常将季节性视为无聊的滋扰，而环境科学家通常对此感到更加积极。经济学中使用的虚拟变量方法经常取决于数据是季度或月度数据，而假期的影响（从每个角度来说）有时都是棘手的。使用环境数据，有时可以使用某些傅立叶（正弦）项来完成，而不必求助于虚拟变量。
—
Nick Cox
谢谢，@ Nick Cox。在我的特定情况下，傅立叶项似乎不是一个解决方案，在该情况下，变量显示的正弦波模式比正弦信号更复杂（除非我使用了多个谐波，但这在这里并不是目的）。尽管就我而言，尽管季节性显然不是一个令人讨厌的麻烦词，但我仍在寻找可以帮助我解释除季节性以外数据的额外可变性（即长期趋势）的函数，它是其他变量的函数。
—
ztl 2014年
多元ARMA模型呢？它类似于VAR，但如果我理解正确，则可以在变量之间进行更多的动态交互。其他人也许可以确认/拒绝我的怀疑。
—
rbatt 2014年