带假人的时间序列变量的多元回归

Question

我正在尝试通过对月变量中的变量进行回归来调整时间序列（8年）自变量（197个变量）的季节性。 我已将假人编码如下：

dummy1 <- model.matrix( ~ intraMonth, data = AnovaDataAll)

之后，我使用虚拟变量对每个变量进行因变量回归：

MultReg <- lapply(CorData[c(-1, -c(195:293))], function(x) summary(lm(formula = ReturnIndex ~ x + dummy1, data = CorData))) 

回归分析为我提供了以下结果（例如，第一个变量=净值）：

$equity

Call:
lm(formula = ReturnIndex ~ x + dummy1, data = CorData)

Residuals:
    Min      1Q  Median      3Q     Max 
-49.273  -5.263   0.640   5.560  45.373 

Coefficients: (1 not defined because of singularities)
                   Estimate Std. Error t value Pr(>|t|)  
(Intercept)         -0.7610     1.9749  -0.385   0.7002  
x                   -0.3586     0.6165  -0.582   0.5611  
dummy1(Intercept)        NA         NA      NA       NA  
dummy1intraMonth2    4.8220     2.8404   1.698   0.0903 .
dummy1intraMonth3    2.5903     2.7683   0.936   0.3500  
dummy1intraMonth4    1.7586     2.8082   0.626   0.5315  
dummy1intraMonth5    1.6997     2.7823   0.611   0.5416  
dummy1intraMonth6    3.1196     2.8143   1.108   0.2683  
dummy1intraMonth7    2.5446     2.7546   0.924   0.3562  
dummy1intraMonth8   -1.7986     2.7646  -0.651   0.5157  
dummy1intraMonth9    2.5249     2.7768   0.909   0.3637  
dummy1intraMonth10   1.9284     2.7982   0.689   0.4911  
dummy1intraMonth11   3.9216     2.7773   1.412   0.1587  
dummy1intraMonth12   0.9890     2.9464   0.336   0.7373  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 11.55 on 406 degrees of freedom
Multiple R-squared:  0.02259,   Adjusted R-squared:  -0.006298 
F-statistic: 0.782 on 12 and 406 DF,  p-value: 0.6692

我想知道，是否已经对回归模型成功进行了季节性调整。 此外，我想通过查看它们的t统计量对所有变量的统计显着性进行排名。 基于上面的输出，我是否仅需要查看“ x”行并采用-0.582的t值？ 我该如何解释第一个假人（在这种情况下是“一月假人”）的截获？ 如果我将截距设置为12月的虚拟对象而不是1月，这有关系吗？

Answer 1

基于上面的输出，我是否仅需要查看“ x”行并采用-0.582的t值？

是。

我该如何解释第一个假人（在这种情况下是“一月假人”）的截获？ 如果我将截距设置为12月的虚拟对象而不是1月，这有关系吗？

您仅获得11个虚拟变量（例如，两个分类-一个变量，依此类推）。 您可以将月份中的任何一个作为截距。