線形回帰での循環予測子の使用

風のデータ（0、359）と時刻（0、23）を使用してモデルを近似しようとしていますが、線形パラメーターではないため、線形回帰にうまく適合しないことが心配です。Pythonを使用してそれらを変換したいと思います。少なくとも風の場合には、度のsinとcosを使用してベクトル平均を計算することについて言及しましたが、全体ではありません。

役立つかもしれないPythonライブラリまたは関連するメソッドはありますか？

$0^\circ = 360^\circ$

$\sin(\pi\ \text{direction} / 180), \cos(\pi\ \text{direction} / 180)$

$2 \pi$$= 360^\circ$

$\sin(\pi\ \text{time} / 12), \cos(\pi\ \text{time} / 12)$

または

$\sin(\pi (\text{time} + 0.5) / 12), \cos(\pi (\text{time} + 0.5) / 12)$

正確に時間を記録した方法または解釈する方法によって異なります。

自然や社会には義務があり、循環変数への依存は、応答に最適な方向と悲観的な反対方向（円の半分）の形をとります。その場合、単一のサインとコサインの用語で十分です。より複雑なパターンの場合は、他の用語が必要になる場合があります。より多くの詳細に関しては円形、フーリエ変換のこの技術のチュートリアル、定期的に、三角関数回帰を見つけることができるここに順番にさらに参照して、。幸いなことに、サインとコサインの項を作成すると、それらは回帰の追加の予測因子にすぎません。

循環統計に関する大きな文献があり、それ自体が方向統計の一部と見なされています。奇妙なことに、この技術の焦点は一般に循環応答変数にあるため、この手法はしばしば言及されていません。ベクトル平均による循環変数の要約は、標準的な記述方法ですが、必須ではなく、回帰に直接役立ちます。

用語の詳細風の方向と時刻は、科学の分野での使用法に関係なく、パラメーターではなく、統計用語の変数です。

$y$$X\beta$$\beta$$X$$[-1, 1]$

偶発的なコメント粒子濃度などの応答変数の場合、正の予測を保証するために、対数リンクを備えた一般化線形モデルを使用することが期待されます。