风向（这里以度为单位，大概是从北方顺时针方向的指南针方向）是一个循环变量。测试是音阶的常规开头与结尾相同，即$0^\circ = 360^\circ$. 当被视为预测变量时，它可能最好映射到正弦和余弦。无论您的软件是什么，它都可能期望以弧度为单位测量角度，因此转换将相当于

$\sin(\pi\ \text{direction} / 180), \cos(\pi\ \text{direction} / 180)$

鉴于$2 \pi$弧度$= 360^\circ$. 类似地，从午夜开始以小时为单位测量的时间可以映射到正弦和余弦，使用

$\sin(\pi\ \text{time} / 12), \cos(\pi\ \text{time} / 12)$

或者

$\sin(\pi (\text{time} + 0.5) / 12), \cos(\pi (\text{time} + 0.5) / 12)$

具体取决于时间的记录方式或应如何解释。

有时，自然或社会是有义务的，并且对循环变量的依赖表现为某个方向对响应是最佳的，而相反的方向（半个圆）是最坏的。在这种情况下，一个正弦和余弦项就足够了；对于更复杂的模式，您可能需要其他术语。有关循环、傅立叶、周期性、三角回归技术的更多详细信息，可以在此处找到，并提供更多参考资料。好消息是，一旦您创建了正弦和余弦项，它们只是回归中的额外预测变量。

有大量关于循环统计的文献，其本身被视为方向统计的一部分。奇怪的是，这种技术通常没有被提及，因为该文献中的重点通常是循环响应变量。通过向量方法总结循环变量是一种标准的描述方法，但对于回归不是必需的或直接有帮助的。

关于术语的一些细节风向和一天中的时间是统计术语变量，而不是参数，无论您在科学分支中使用什么。

线性回归由参数的线性定义，即对于向量$y$预测$X\beta$它是参数的向量$\beta$，而不是预测变量矩阵$X$，这更关键。因此，在这种情况下，正弦和余弦等预测变量是在圆形尺度上测量的，并且也仅限于$[-1, 1]$对它们出现在线性回归中没有障碍。

附带评论对于诸如粒子浓度之类的响应变量，我希望使用具有对数链接的广义线性模型来确保积极的预测。