圖6：工資也受天氣的影響
接下來我們在模型中添加了其他天氣數據，從而看看這些數據系列是否也很重要。我們發現儘管降雪變量再次對經濟及數據統計有著顯著的影響，但一種叫制冷度日數的平行溫度測量指數卻沒這麼重要。我們還發現，冰雹天氣對數據統計的影響很大，對經濟的影響卻很小。
國家級就業數據的豐富性使我們能夠解決更多微妙的問題，而這些問題通過總計全國時間序列數據是很難給出令人信服的答案的：
1.天氣的影響是全年存在的嗎？我們發現采暖度日數標準差的影響對6到10月的單月樣本的影響並不顯著。
2.比往年暖的月份和比往年冷的月份所造成的影響一樣嗎？通過分離樣本，我們發現更冷一度所造成的影響是更熱一度的兩倍。
3.該影響是線性的嗎？我們發現一個二次元日數項在統計上的影響並不顯著。儘管有無窮的方法可以用來列舉臨界值，但我們認為假設線性影響是合理的。
4.天氣的影響是相反的嗎？在無約束回歸分析中，同時期及兩個滯後的天氣項中的這些系數通常加起來大致為0，這表明一個幾乎完全的反彈通常發生在幾個月內。
儘管這些結論並不一定要應用在所有的經濟指標中，但我們認為它們給我們上了意義更廣泛的一課。基於這些發現，我們利用采暖度日數最佳加權標準差以及根據就業參考周定時而調整的降雪指數版本，來構建了總體以及分產業的模型。圖表7總結概述了這些模型評估。
|
