Час дозволений; чи потрібна вона буде залежати від того, що ви намагаєтеся моделювати? Проблема у вас полягає в тому, що у вас є коваріати, які разом здаються, що відповідають тенденціям даних, що час може зробити так само добре, але використовуючи менший ступінь свободи - отже, вони випадають замість Часу.
Якщо інтерес полягає в моделюванні системи, взаємозв'язку між відповіддю та коваріантами з часом, а не моделюють, як реакція змінюється з часом, тоді не включайте Час як коваріат. Якщо мета полягає в моделюванні зміни середнього рівня відповіді, включайте Час, але не включайте коваріат. З того, що ви говорите, виявиться, що ви хочете перше, а не останнє і не повинно включати час у вашу модель. (Але врахуйте додаткову інформацію нижче.)
Однак є пара застережень. Щоб теорія дотримувалася, залишки повинні бути iid (або ідентифікатором, якщо ви зменшите припущення про незалежність, використовуючи кореляційну структуру). Якщо ви моделюєте відповідь як функцію коваріатів, і вони не адекватно моделюють будь-яку тенденцію в даних, то у залишків буде тенденція, яка порушує теоретичні припущення, якщо тільки відповідна структура кореляції не зможе впоратися з цією тенденцією.
І навпаки, якщо ви моделюєте тенденцію лише у відповіді (включаючи Час), можуть бути систематичні зміни в залишках (про пристосований тренд), які не пояснюються тенденцією (Time), і це також може порушити припущення для залишків. У таких випадках вам може знадобитися включити інші коваріати, щоб вивести залишки в iid
Чому це питання? Добре, коли ви тестуєте, чи є, наприклад, компонент тренду, чи важливий вплив коваріатів, використовувана теорія припустить, що залишки є iid. Якщо вони не ідентифікуються, припущення не будуть виконані, і p-значення будуть упередженими.
Сенс всього цього полягає в тому, що вам потрібно моделювати всі різні компоненти даних таким чином, щоб залишки виявились ідентичними для теорії, яку ви використовуєте, щоб перевірити, чи належні компоненти, щоб бути достовірними.
Як приклад, розглянемо сезонні дані, і ми хочемо підігнати модель, яка описує довгострокові зміни в даних, тенденцію. Якщо ми будемо моделювати лише тенденцію, а не сезонні циклічні зміни, ми не зможемо перевірити, чи є підходящий тренд значним, оскільки залишки не будуть ідентичними. Для таких даних нам потрібно би пристосувати модель як із сезонним компонентом, так і з трендом компонент та нульова модель, яка містила лише сезонний компонент. Потім ми б порівняли дві моделі, використовуючи узагальнений тест коефіцієнта ймовірності для оцінки значущості тенденції. Це робиться за anova()допомогою $lmeкомпонентів двох моделей, встановлених з використанням gamm().