Son derece düzensiz zaman serileri


10

Yaklaşık 5 yıllık bir süre içinde örneklenmiş, ancak çok düzensiz bir şekilde, bir dizi farklı balığın popülasyonu için verilerim var. Bazen örnekler arasında aylar, bazen bir ayda birkaç numune vardır. Ayrıca çok sayıda 0 sayım var

Bu verilerle nasıl başa çıkılır?

R'de yeterince kolayca grafik yapabilirim, ancak grafikler özellikle aydınlatıcı değil, çünkü çok inişli çıkışlı.

Modelleme açısından - çeşitli şeylerin fonksiyonu olarak modellenen türlerle - belki karışık bir model (çok düzeyli model olarak da bilinir).

Herhangi bir referans veya fikir hoş geldiniz

Yorumlara yanıt olarak bazı ayrıntılar

Yaklaşık 15 tür vardır.

Her balıkta herhangi bir trend veya mevsimsellik hakkında bir fikir edinmeye ve türlerin birbiriyle nasıl ilişkili olduğuna bakmaya çalışıyorum (müşterim aslında basit bir korelasyon tablosu istiyordu)

Amaç açıklayıcı ve analitiktir, öngörücü değildir

Diğer düzenlemeler: Bu makaleyi K. Rehfield ve arkadaşları tarafından buldum, bu da yüksek düzensiz zaman serileri için ACF'yi tahmin etmek için Gauss çekirdeklerini kullanmanızı önerir.

http://www.nonlin-processes-geophys.net/18/389/2011/npg-18-389-2011.pdf


1
Sorunuzu cevaplayacak doğru kişi değilim, ancak çok düzeyli bir model makul görünüyor. Numunelerin ne kadar büyük olduğuna, kaç türün olduğuna ve sıfır sayımının ne olduğuna dair herhangi bir ipucu var mı? (Son noktada, numuneler rastgele numunelerde deneniyor mu, yoksa önyargılı mı, sanki muhtemelen herhangi bir yayın balığı vermeyecek bir bas-balıkçılık yarışmasından sayımları aldınız mı?)
Wayne

1
"Anlaşmak" tam olarak ne demek? Düzensiz zamanlarla başa çıkma hakkında bazı fikirler için "+ düzensiz + zaman"
whuber

Örnekleme ve hedefi netleştirebilir misiniz? Örneğin bu yakalama-yeniden yakalama mı? Serbest bırakılmadan belirli bir süre boyunca bir akıma yerleştirilen bir ağ mı? Gelecekteki örnek boyutlarını veya bir örneğin alındığı daha büyük popülasyonu tahmin etmeye mi çalışıyorsunuz? Örnekler 1 veya birden fazla yerden mi geliyor? Düzensiz zaman serilerinde yanlış bir şey yoktur, ancak örnekleme olayları ile örnekler ve bazı hedef değişkenler arasındaki bağlantıyı anlamak biraz zordur (örn. Bir model yanıtı). Ayrıca, amaç doğası gereği öngörücü veya tanımlayıcı mıdır?
Iterator

2
Birisi bu soruyu neden oyladı? Neden daha iyi bir soru veya cevap geliştirmeye yardımcı olmaya çalışmıyorsunuz?
Iterator

2
@Iterator Çünkü şimdi bile, "ek düzenlemeler" den sonra, burada net bir soru yok. Downvot (ilk yorumuma hiçbir yanıt alınmadığında teslim edildi), OP'yi gerekli gelişmeleri sağlamaya ve sorunun sadece kısmen oluşmuş halinin bir sinyalini vermeye teşvik etmek için yerleştirildi. Neyin amaçlandığını tahmin etmek her okuyucunun (ne de modların) işi değildir!
whuber

Yanıtlar:


10

Düzensiz aralıklı zaman serileri için genel bir çerçeve oluşturmak için epey zaman harcadım: http://www.eckner.com/research.html

Ayrıca, düzensiz aralıklı zaman serileri için trend ve mevsimsellik tahmini ile ilgili bir makale yazdım.

Umarım sonuçları faydalı bulacaksınız!


5
Teşekkürler! Bu analiz uzun zaman önceydi ve artık yapmıyorum, ama benzer şeyler tekrar ortaya çıkabilir; ve diğerleri bu konuları çok araştırıyor, bu yüzden yorumunuz boşa gitmiyor.
Peter Flom

Bilgi için teşekkürler (ve gerçekten yıllar sonra internette bir kişi arıyor!), Ancak bağlantı öldü.
Kancalı

2

Karışık bir modelin çok uygun olup olmadığını bilmiyorum (rastgele etki yapısının doğrusal bir öngörücü olduğu standart paketleri kullanarak), tüm zaman noktalarındaki verilerin bir anlamda birbiriyle değiştirilebilir olması gerektiğini düşünmüyorsanız (bu durumda düzensiz aralıklar bir sorun değildir) - zamansal otokorelasyonu makul bir şekilde modelleyemezdi. Lmer'i () bir tür otomatik ilerici şey yapmaya kandırmak mümkündür, ama şu anda tam olarak ne yapardınız (düz düşünmüyor olabilirim). Ayrıca, karma model senaryosunda otokorelasyona neden olan "gruplama değişkeni" ne olacağından emin değilim.

Temporal otokorelasyon bir sıkıntı parametredir ve olmasını bekliyoruz yoksa çokbüyükse, verileri korelasyon açısından temelde birbirinden ayrılan dönemlere ayırabilir (örn. ay serisinin aylarca veri bulunmadığı noktalarda zaman serisini ayırabilir) ve bunları bağımsız kopyalar olarak görebilirsiniz. Daha sonra, bu kümelenmiş veri kümesinde GEE gibi bir şey yapabilirsiniz, burada "küme" hangi çağda olduğunuzu tanımlar ve çalışma korelasyon matrisinin girişleri, gözlemlerin ne kadar uzakta yapıldığının bir fonksiyonudur. Regresyon fonksiyonunuz doğruysa, korelasyon yapısı yanlış tanımlanmış olsa bile, regresyon katsayıları için tutarlı tahminler elde edersiniz. Bu aynı zamanda, örneğin log-link kullanarak (genellikle poisson regresyonunda olduğu gibi) sayım verileri olarak modellemenize izin verir. Ayrıca türler arasında bazı farklı korelasyonlar oluşturabilirsiniz, burada her zaman noktası çok değişkenli bir tür vektörü olarak görülür ve zaman noktaları arasında geçici olarak çürüyen bir ilişki sayılır. Bu, standart GEE paketlerini bunu yapmak için bir miktar ön işlem gerektirecektir.

Ys,Ytu,v

cov(Ys,Yt)=fθ(s,t,u,v)

fθ


Teşekkürler @macro. Ben düşünüyorum genellikle zaman içinde yuvalanır veriler için kullanılır, çünkü bir karma modeli Tamam olabileceğini; Otokorelasyonu modellemekle pek ilgilenmiyorum - yani, bir sıkıntı. Zamanın doğrusal olmayacağına katılıyorum, ama zamanın etkilerini ekleyebilirim (hangilerinin henüz olduğundan emin değilim, ama keşfedebilirim). MPLUS'um yok ama R ve SAS'ım var.
Peter Flom

1
Sadece standart bir karma modelin bu durumda uygun olmayabileceğini söylüyorum. Eğer zaman noktalarının korelasyon açısından değiş tokuş edilebilir olduğunu düşünmüyorsanız rastgele kesişme işe yaramaz (yani sadece 'değişebilir korelasyon' dünyasında gerçek korelasyon yapınıza bir yaklaşım sunacaktır). Rastgele eğimler dahil etmek, yörüngenin zaman içinde "bir yere doğru gittiğini" düşündüğünüzü gösterir - arsa sizin için çok aydınlatıcı olmadığından, bu muhtemelen gerçekleşmiyor. İtiraf edeyim, lmer'i () daha uygun bir şey yapması için kandırabilirsiniz.
makro

2
+1 Ele almayı düşündüğüm tüm önemli noktaları ve daha fazlasını ele alan iyi ve kısa bir cevap. R'deki paketlerle ilgili olarak, [poisson regresyon zamansal] için bir CRAN Google araştırması birkaç paket ortaya çıkarır. surveillancePaket işlevi istenen sahip olabilir. Bu tür bir modelleme ekolojik çalışmalarda nadir değildir, bu nedenle CRAN'ın ekolojik köşelerinde iyi bir paket bulmak muhtemelen en iyisidir.
Iterator
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.