我们在周六航班数量中看到了一个明显的模式。这令人放心，因为我们在原始数据中也看到了同样的模式。当你从不同的方法中得到相同的信号时，这是一个好迹象。

练习

• 1. 利用你的 Google 搜索技巧，思考为什么 1 月 20 日、5 月 26 日和 9 月 1 日的航班比预期的少。（提示：它们都有相同的原因。）这些日期如何推广到其他年份？
• 2. 三个具有高正残差的日期代表什么？这些日期如何推广到其他年份？

daily %>% top_n(3, resid) #> # A tibble: 3 × 5 #> date n wday resid term #> #> 1 2013-11-30 857 Sat 112.4 fall #> 2 2013-12-01 987 Sun 95.5 fall #> 3 2013-12-28 814 Sat 69.4 fall

• 3. 创建一个新变量，将 wday 变量拆分为不同的 term，但仅针对周六，即它应该包含 Thurs、Fri，以及 Sat-summer、Sat-spring、Sat-fall。这个模型与包含 wday 和 term 所有组合的模型相比如何？
• 4. 创建一个新的 wday 变量，将星期几、term（针对周六）和公共假日结合起来。该模型的残差看起来如何？
• 5. 如果你拟合一个随月份变化的星期几效应（即 n ~ wday * month），会发生什么？为什么这不太有用？
• 6. 你预期模型 n ~ wday + ns(date, 5) 会是什么样子？根据你对数据的了解，为什么你会预期它效果不佳？
• 7. 我们假设周日出行的人更可能是需要在周一到达某地的商务旅行者。通过观察该假设如何随距离和时间而变化来验证它：如果假设成立，你应该会看到更多周日傍晚飞往远方的航班。