基于早期对 Stack Overflow 的评论：

是的，这是有道理的。在这里，我解决了一般性问题，并很高兴让 R 专家填写关键细节。在我看来，由于这是现在交叉验证，我们不应该过于狭隘地关注发布者最喜欢的软件，尽管这对于志同道合的人来说很重要。

如果不是数字，任何软件中的日期都可以转换为数字变量，以年、天、毫秒或自某个时间起源以来的任何形式表示。与每个日期相关的系数具有分母单位，无论日期的单位是什么。分子单位取决于响应或因变量的分子单位。（非身份链接函数自然会使这复杂化。）

然而，当日期转移到对研究有意义的原点时，通常最有意义。通常，但不一定，原点应该是研究时间段内的日期或非常接近的日期。

也许最简单的情况是以年为单位对日期变量进行线性回归。在这里，一些表示为日期（如 2000 年或 2010 年）的回归response意味着date截距是第response0 年的值。撇开没有这样一年的日历细节不谈，这样的截距通常是大得离谱的正数或负数，即合乎逻辑，但会分散解释和演示的注意力（即使对消息灵通的观众也是如此）。

在与本科生合作的一个真实例子中，某个地区每年的旋风数量随日期略有增加，线性趋势看起来是合理的第一次尝试。回归的截距是一个很大的负数，这引起了很多困惑，直到人们意识到这和往常一样是对第 0 年的外推。将原点移到 2000 年会产生更好的结果。（实际上，确保积极预测的泊松回归甚至更好，但这是另一回事。）

因此，回归date - 2000或其他任何事情都是一个好主意。一项研究的实质性细节通常表明一个好的基准日期，即一个新的起源。

使用其他模型和/或其他预测器不会破坏这一原则；它只是掩盖了它。

使用最容易想到的任何日期来绘制结果也是一个好主意。这些可能是原始日期；这并不矛盾，因为它只是使用最容易想到的任何东西的相同原则。

稍微思考一下，这个原理就更普遍了。（年龄 - 20 岁）或类似的情况通常会更好，以避免对 0 岁做出合乎逻辑但尴尬的预测。

编辑 2019 年 3 月 21 日（原 2013 年 7 月 29 日）：这些论点已在 2015 年新泽西州考克斯的 Stata 上下文中进行了讨论。原产地物种。Stata Journal 15：574-587 见这里

编辑 2 也是 2015 年 12 月 4 日@whuber 在评论中也提出了数值精度的重要问题。通常时间单位很好，并且生成的日期或日期时间可能非常大，从而引发了平方和等重要问题。他从 R 中举了一个例子。我们可以添加（例如）Stata 中的日期时间是自 1960 年初以来的毫秒数。这个问题根本不是特定于日期的，因为它通常会出现在非常大的数字上或非常小，但也值得标记。

如上所述，通过适当的缩放，日期是很好的回归量。与典型的协变量相比，时间效应不太可能是线性的，因此我几乎总是及时使用回归样条。一些复杂的时间趋势需要很多节（例如，7 个或更多）来拟合。受限三次样条（自然样条）在观察时间结束后提供更安全的线性外推，尽管外推很少是完全安全的。