我有一个数据集，其中包含三年期间在 100 多个国家/地区运营的三个供应商的数百笔交易。
我们发现，销售国不是影响价格的重要因素（产品或多或少是全球商品）。随着时间的推移，所有价格都大幅下降。任何一天都可以从同一供应商（即在不同国家/地区）以不同的价格进行多笔交易。
我想测试不同供应商收取的价格是否存在统计学上的显着差异。
数据看起来像这样：
Country X 1/1/2010 $200 Supplier A
Country Y 1/1/2010 $209 Supplier A
Country Z 1/1/2010 $187 Supplier A
Country A 1/1/2010 $200 Supplier B
Country X 1/2/2010 $188 Supplier B
关于如何做到这一点的任何想法？......
听起来您需要使用时间序列方法，例如 ARMA 或 ARIMA，让您可以使用时间作为自变量来计算回归，而不会违反 OLS 的独立观察假设。
您可能想尝试两步分析： - 首先将时间用作单个预测变量并使用合适的时间序列方法 - 二看两个供应商之间的残差是否存在任何有意义的差异。（一个简单的 t 检验可能就足够了。）
有几种方法。一种选择是将日期转换为第一天之后的天数。此外，您可能还有一周中的几天（一周内的趋势）和月份（查看一年中某些时间的趋势）的其他变量。通过这样做，您可以使用多元回归。
要获得变量“第一天后的天数”，我相信（excel和R）你可以简单地从后一个日期中减去较早的数据并获得日差。因此，也许可以尝试从所有日期中减去 1/1/2010。您还应该使用 as.numeric() 告诉 R 新值是数字
编辑：R 似乎是在第一年阅读的，所以你可能不得不稍微弄乱日期。看到这个：https ://stackoverflow.com/questions/2254986/how-to-subtract-days-in-r
时间序列分析是另一种方法，但我不太熟悉它。
我可以建议您对时间变量使用非线性函数，因为每增加一个时间单位，价格下跌的幅度就会较小。否则价格最终将跌至零以下。此外，可能存在趋势向上变化的时期。因此，我建议对时间变量使用三次样条。
经验告诉我，我会检查以下模型：
Y = country_parameter * price(t) * e
其中 price(t) 是一个函数，最好是三次样条，但它也可以是任意的，甚至是线性趋势。请注意，模型中有乘号，而不是和。
选择一个参考日期，比如 2010 年 1 月 1 日，并创建一个新变量time，它是日期和参考日期之间的差异，其中的差异以天为单位计算。
现在运行一个线性回归（或类似的东西），其中time和supplier作为两个预测变量和price作为响应变量。
这只是一个起点。