R 如何在lm()中表示时间段虚拟变量
我正在分析x_t对y_t的影响在特定时间段内和之后是否有所不同。 我试图使用R 如何在lm()中表示时间段虚拟变量,r,lm,R,Lm,我正在分析x_t对y_t的影响在特定时间段内和之后是否有所不同。 我试图使用lm(),在R中回归以下模型: 其中D_t是一个虚拟变量,在整个时间段内的值为1,否则为0 这个公式可以使用lm()吗?观测次数你有多少周期?周期向量是什么样子的?我在10年内观察了80次。我想用假人把它们分成两个时段。第二个时段什么时候开始?在第55个obs。这是一个有趣的新方法!obsFactor[55,81)和x:obsFactor[55,81)是否表示水平变化和趋势变化的系数? observationNumber
lm()
,在R中回归以下模型:
其中D_t是一个虚拟变量,在整个时间段内的值为1,否则为0
这个公式可以使用
lm()
吗?观测次数你有多少周期?周期向量是什么样子的?我在10年内观察了80次。我想用假人把它们分成两个时段。第二个时段什么时候开始?在第55个obs。这是一个有趣的新方法!obsFactor[55,81)
和x:obsFactor[55,81)
是否表示水平变化和趋势变化的系数?
observationNumber <- 1:80
obsFactor <- cut(observationNumber, breaks = c(0,55,81), right =F)
fit <- lm(y ~ x * obsFactor)
observationNumber <- 1:80
obsFactor <- cut(observationNumber, breaks = c(0,55,81), right =F)
fit <- lm(y ~ x * obsFactor)
y = runif(80)
x = rnorm(80) + c(rep(0,54), rep(1, 26))
fit <- lm(y ~ x * obsFactor)
summary(fit)
Call:
lm(formula = y ~ x * obsFactor)
Residuals:
Min 1Q Median 3Q Max
-0.48375 -0.29655 0.05957 0.22797 0.49617
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.50959 0.04253 11.983 <2e-16 ***
x -0.02492 0.04194 -0.594 0.554
obsFactor[55,81) -0.06357 0.09593 -0.663 0.510
x:obsFactor[55,81) 0.07120 0.07371 0.966 0.337
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.3116 on 76 degrees of freedom
Multiple R-squared: 0.01303, Adjusted R-squared: -0.02593
F-statistic: 0.3345 on 3 and 76 DF, p-value: 0.8004