使用mgcv双变量te平滑：对协变量求均值提取纯时间趋势

1. 用te(year, month)建模随时间变化的季节性是否可行合理？ #

完全可行且合理。te(year, month)构造的双变量张量积平滑，核心优势是捕捉年份与月份的交互效应——也就是允许季节性模式随年份发生变化（比如某些月份的效应逐年增强/减弱，或者季节性峰值的时间逐年偏移）。

相比分开拟合单变量平滑s(year) + s(month)的方式，后者假设季节性模式是固定不变的（每年的月份效应都一致），而te(year, month)更适合处理季节性随时间演变的场景（比如长期气候数据、零售行业的季节性消费趋势变化等）。只要你的数据中确实存在季节性模式随年份变化的迹象，这种建模方式就非常合适。

2. 如何从双变量张量积模型中提取对month求均值后的纯时间趋势？ #

可以通过predict.gam()函数结合构造新数据的方式实现，具体步骤如下：

1. 构造包含所有目标年份，且每个年份对应完整12个月的新数据集；
2. 用训练好的模型对这个新数据集预测拟合值；
3. 按年份分组，对每个年份的12个预测值取均值，得到的就是对month平均后的纯时间趋势。

示例代码（基于你的现有代码扩展）： #

set.seed(123)
n <- 100
data <- gamSim(n = n, dist = "normal", scale = 2)
data$year <- rep(1:(n/12), each = ceiling(n/12))[1:n]
data$month <- rep(1:12, length.out = n)

# 拟合双变量张量积模型
model <- gam(y ~ te(year, month), data = data)

# 步骤1：构造新数据，覆盖所有年份，每个年份包含1-12月
unique_years <- unique(data$year)
new_data <- expand.grid(year = unique_years, month = 1:12)

# 步骤2：预测拟合值
new_data$pred <- predict(model, newdata = new_data)

# 步骤3：按年份分组求均值，得到纯时间趋势
# 用dplyr实现分组聚合
library(dplyr)
year_trend <- new_data %>%
  group_by(year) %>%
  summarise(pure_trend = mean(pred))

# 查看结果
print(year_trend)

# 可视化纯时间趋势
plot(year_trend$year, year_trend$pure_trend, type = "l", 
     xlab = "Year", ylab = "Pure Time Trend", main = "Time Trend (Averaged over Month)")

补充说明： #

如果你不想依赖dplyr，用base R的aggregate函数也能完成分组求均值：

year_trend_base <- aggregate(pred ~ year, data = new_data, FUN = mean)

内容的提问来源于stack exchange，提问作者Mike Dunbar