我真的需要一些帮助
我必须看看假期、特殊日子和天气对我的日常数据是否有影响。每日数据明显具有季节性周期。
因此，为此，我尝试使用大约 1100 个观察值运行线性回归。第一步是按照我阅读的论文中的描述改变销售数量。
Rt=Ln(Pt/Pt-1)*100
其中 Pt 是今天的销售额，Pt-1 是前一天的销售额
为了考虑季节性，我只是使用星期几作为虚拟变量进行第一次线性回归
fit<- lm(log_return~D1+D3+D4+D5+D6+D7,data=mydata)
使用 OLS 给出以下结果：模型图
残差是非正态的，QQ 图显示了一些沉重的腿。我认为这可能是因为Residuals 具有显着的异方差性和自相关性。
从我阅读的论文中，作者总是使用 Standard White 和 Newey West来校正残差中的异方差和自相关。变量，我有两个问题，使我的 OLS 肯定是错误的。
从 R 的三明治文档中，Newey West 似乎可以自动找到正确数量的 lags，这对我来说很棒，因为我尝试了几种 ARMA(p,q) 变体但没有成功。
所以现在我运行vcovHAC(fit)，我不太确定它是什么。它是否也可以通过 White SE 完全纠正我的未知自相关和异方差问题，并找到纠正回归所需的必要滞后？
然后如何将其应用于我的回归以获得与 summary(fit) 相同的摘要，但在 R 中使用更正的值，包括 Rsquared？它会神奇地纠正一切吗？有什么限制？
非常感谢各位