我的目的是评估与对照相比，对树冠进行处理(对小气候数据(的效果。因此，我在5个地点的树冠中放置了三个数据记录器，每个变体("应用的处理"与"对照"(。在217天的时间内，每5分钟平均一次数据。记录的数据如下所示：
Timepoint,Time,Celsius(°C),Humidity(%rh),dew point(°C)
1,27/03/2019 17:02:39,23.5,37.5,8.2
2,27/03/2019 17:07:39,23.5,36.5,7.8
3,27/03/2019 17:12:39,23.5,36.5,7.8
4,27/03/2019 17:17:39,24.0,37.5,8.6
5,27/03/2019 17:22:39,23.5,36.0,7.6
6,27/03/2019 17:27:39,23.0,37.0,7.5
7,27/03/2019 17:32:39,22.5,34.5,6.1
8,27/03/2019 17:37:39,22.5,34.5,6.1
每天汇总记录，以获得217天中每一天的平均/最高/最低温度。无论在哪个部位，我都想确定所应用的治疗效果，并随着时间的推移暴露差异。
有人告诉我时间序列分析在这里不起作用。我尝试应用线性回归(受本文启发：https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0234436)关于数据，但由于控制不影响治疗，我放弃了这种方法。
所以我的问题是：哪种方法是分析R中这些小气候数据的正确方法？
您可以尝试将Time作为对照和治疗的humidity和Celsius的函数进行线性回归，然后比较每个站点的两个模型的斜率。当然，如果你的治疗斜率比对照组高，这表明对治疗有反应——斜率之间的德尔塔越高，对治疗的反应就越好。该模型将类似于这样(对于单个站点(：
lm(Time~Celsius+Humidity, data = ControlData)
lm(Time~Celsius+Humidity, data = TreatmentData)
然后你可以开始玩系数，并从差异中得出结果，以及每个站点回归线的一般斜率。之后，你甚至可以通过对5个对照回归的系数取平均值来组合结果，并将其与5个治疗回归的平均值进行比较(由于模型是线性的，因此这在统计上应该是有效的(。