我想观察线性回归系数随时间的变化。更准确地说，让我们有一个 2 年的时间范围，其中线性回归将始终使用范围为 1 年的数据集。在第一次回归之后，我们再移动一周（即我们添加一个新周，但也从开头减去一周），只要我们到达最终日期，就会再次进行回归：总共会有 52 次回归。
我的问题是数据集中有一些假期，我们不能简单地添加 7 天，就像人们很容易建议的那样。我想要一些包装函数，可以对来自不同包的许多其他函数执行上述操作，例如来自forecast包的forecast.lm()函数或人们可以想到的任何函数：每种情况下的目标都是每周找到线性回归参数的演变。
我认为
如果您以清晰的方式编辑/细分您的问题，您可能会得到更多答案。 （1）我如何找到假期（不清楚你对假期的定义是什么）？（2） 如何相应地对数据集进行切片？（3） 如何在每个块中运行线性回归？
（1）查找假期：在这里真的帮不上忙，因为我不知道它们在您的数据集中是如何定义/编码的。 library(sos); findFn("holiday")找到一些选项
（2） 根据假期/周末间隔对数据集进行分区。 下面的示例假设假日编码为 1，非假日编码为零。
（3） 运行每个块的线性回归并提取系数。
d <- data.frame(holiday=c(0,0,0,1,1,0,0,0,0,1,0,0,0,0),
x=runif(14),y=runif(14))
per <- cumsum(c(1,diff(d$holiday)==-1)) ## maybe use rle() instead
dd <- with(d,split(subset(d,!holiday),per[!holiday]))
t(sapply(lapply(dd,lm,formula=y~x),coef))