Haftalık anlamı koruyan influenza verilerinin enterpolasyonu

13

Düzenle

Tam olarak ihtiyacım olan prosedürü açıklayan bir makale buldum . Tek fark, makalenin aylık ortalama verileri korurken, aylık ortalama verileri günlük olarak enterpolasyonlandırmasıdır. Yaklaşımı uygulamakta sorun yaşıyorum R. Herhangi bir ipucu takdir.

orijinal

Her hafta için aşağıdaki sayım verilerine sahibim (haftada bir değer):

Doktor konsültasyon sayısı
İnfluenza vakası sayısı

Amacım enterpolasyon ile günlük veriler elde etmektir (doğrusal veya kesik kamalar düşündüm). Önemli olan , haftalık ortalamayı korumak istediğim, yani günlük enterpolasyonlu verilerin ortalaması bu haftanın kayıtlı değerine eşit olmalıdır. Ek olarak, enterpolasyon düzgün olmalıdır. Ortaya çıkabilecek bir sorun, belirli bir haftanın 7 günden az olması (örneğin bir yılın başında veya sonunda).

Bu konuda tavsiye için minnettar olurum.

Çok teşekkürler.

1995 yılı için bir örnek veri seti ( güncellendi ):

structure(list(daily.ts = structure(c(9131, 9132, 9133, 9134, 
9135, 9136, 9137, 9138, 9139, 9140, 9141, 9142, 9143, 9144, 9145, 
9146, 9147, 9148, 9149, 9150, 9151, 9152, 9153, 9154, 9155, 9156, 
9157, 9158, 9159, 9160, 9161, 9162, 9163, 9164, 9165, 9166, 9167, 
9168, 9169, 9170, 9171, 9172, 9173, 9174, 9175, 9176, 9177, 9178, 
9179, 9180, 9181, 9182, 9183, 9184, 9185, 9186, 9187, 9188, 9189, 
9190, 9191, 9192, 9193, 9194, 9195, 9196, 9197, 9198, 9199, 9200, 
9201, 9202, 9203, 9204, 9205, 9206, 9207, 9208, 9209, 9210, 9211, 
9212, 9213, 9214, 9215, 9216, 9217, 9218, 9219, 9220, 9221, 9222, 
9223, 9224, 9225, 9226, 9227, 9228, 9229, 9230, 9231, 9232, 9233, 
9234, 9235, 9236, 9237, 9238, 9239, 9240, 9241, 9242, 9243, 9244, 
9245, 9246, 9247, 9248, 9249, 9250, 9251, 9252, 9253, 9254, 9255, 
9256, 9257, 9258, 9259, 9260, 9261, 9262, 9263, 9264, 9265, 9266, 
9267, 9268, 9269, 9270, 9271, 9272, 9273, 9274, 9275, 9276, 9277, 
9278, 9279, 9280, 9281, 9282, 9283, 9284, 9285, 9286, 9287, 9288, 
9289, 9290, 9291, 9292, 9293, 9294, 9295, 9296, 9297, 9298, 9299, 
9300, 9301, 9302, 9303, 9304, 9305, 9306, 9307, 9308, 9309, 9310, 
9311, 9312, 9313, 9314, 9315, 9316, 9317, 9318, 9319, 9320, 9321, 
9322, 9323, 9324, 9325, 9326, 9327, 9328, 9329, 9330, 9331, 9332, 
9333, 9334, 9335, 9336, 9337, 9338, 9339, 9340, 9341, 9342, 9343, 
9344, 9345, 9346, 9347, 9348, 9349, 9350, 9351, 9352, 9353, 9354, 
9355, 9356, 9357, 9358, 9359, 9360, 9361, 9362, 9363, 9364, 9365, 
9366, 9367, 9368, 9369, 9370, 9371, 9372, 9373, 9374, 9375, 9376, 
9377, 9378, 9379, 9380, 9381, 9382, 9383, 9384, 9385, 9386, 9387, 
9388, 9389, 9390, 9391, 9392, 9393, 9394, 9395, 9396, 9397, 9398, 
9399, 9400, 9401, 9402, 9403, 9404, 9405, 9406, 9407, 9408, 9409, 
9410, 9411, 9412, 9413, 9414, 9415, 9416, 9417, 9418, 9419, 9420, 
9421, 9422, 9423, 9424, 9425, 9426, 9427, 9428, 9429, 9430, 9431, 
9432, 9433, 9434, 9435, 9436, 9437, 9438, 9439, 9440, 9441, 9442, 
9443, 9444, 9445, 9446, 9447, 9448, 9449, 9450, 9451, 9452, 9453, 
9454, 9455, 9456, 9457, 9458, 9459, 9460, 9461, 9462, 9463, 9464, 
9465, 9466, 9467, 9468, 9469, 9470, 9471, 9472, 9473, 9474, 9475, 
9476, 9477, 9478, 9479, 9480, 9481, 9482, 9483, 9484, 9485, 9486, 
9487, 9488, 9489, 9490, 9491, 9492, 9493, 9494, 9495), class = "Date"), 
    wdayno = c(0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 
    5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 
    6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 
    0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 
    1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 
    2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 
    3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 
    4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 
    5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 
    6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 
    0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 
    1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 
    2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 
    3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 
    4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 
    5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 
    6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 
    0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 
    1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 
    2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 
    3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 
    4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 
    5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 
    6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L, 1L, 2L, 3L, 4L, 5L, 6L, 
    0L, 1L, 2L, 3L, 4L, 5L, 6L, 0L), month = c(1, 1, 1, 1, 1, 
    1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 
    1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 
    2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 3, 3, 3, 
    3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 
    3, 3, 3, 3, 3, 3, 3, 3, 3, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 
    4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 
    4, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 
    5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 6, 6, 6, 6, 6, 6, 
    6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 6, 
    6, 6, 6, 6, 6, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 
    7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 8, 8, 
    8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 
    8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 9, 9, 9, 9, 9, 9, 9, 9, 9, 
    9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 
    9, 9, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 
    10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 10, 
    10, 10, 10, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 
    11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 
    11, 11, 11, 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 
    12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 
    12, 12, 12, 12), year = c(1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 
    1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995, 1995), yearday = 0:364, 
    no.influ.cases = c(NA, NA, NA, 168L, NA, NA, NA, NA, NA, 
    NA, 199L, NA, NA, NA, NA, NA, NA, 214L, NA, NA, NA, NA, NA, 
    NA, 230L, NA, NA, NA, NA, NA, NA, 267L, NA, NA, NA, NA, NA, 
    NA, 373L, NA, NA, NA, NA, NA, NA, 387L, NA, NA, NA, NA, NA, 
    NA, 443L, NA, NA, NA, NA, NA, NA, 579L, NA, NA, NA, NA, NA, 
    NA, 821L, NA, NA, NA, NA, NA, NA, 1229L, NA, NA, NA, NA, 
    NA, NA, 1014L, NA, NA, NA, NA, NA, NA, 831L, NA, NA, NA, 
    NA, NA, NA, 648L, NA, NA, NA, NA, NA, NA, 257L, NA, NA, NA, 
    NA, NA, NA, 203L, NA, NA, NA, NA, NA, NA, 137L, NA, NA, NA, 
    NA, NA, NA, 78L, NA, NA, NA, NA, NA, NA, 82L, NA, NA, NA, 
    NA, NA, NA, 69L, NA, NA, NA, NA, NA, NA, 45L, NA, NA, NA, 
    NA, NA, NA, 51L, NA, NA, NA, NA, NA, NA, 45L, NA, NA, NA, 
    NA, NA, NA, 63L, NA, NA, NA, NA, NA, NA, 55L, NA, NA, NA, 
    NA, NA, NA, 54L, NA, NA, NA, NA, NA, NA, 52L, NA, NA, NA, 
    NA, NA, NA, 27L, NA, NA, NA, NA, NA, NA, 24L, NA, NA, NA, 
    NA, NA, NA, 12L, NA, NA, NA, NA, NA, NA, 10L, NA, NA, NA, 
    NA, NA, NA, 22L, NA, NA, NA, NA, NA, NA, 42L, NA, NA, NA, 
    NA, NA, NA, 32L, NA, NA, NA, NA, NA, NA, 52L, NA, NA, NA, 
    NA, NA, NA, 82L, NA, NA, NA, NA, NA, NA, 95L, NA, NA, NA, 
    NA, NA, NA, 91L, NA, NA, NA, NA, NA, NA, 104L, NA, NA, NA, 
    NA, NA, NA, 143L, NA, NA, NA, NA, NA, NA, 114L, NA, NA, NA, 
    NA, NA, NA, 100L, NA, NA, NA, NA, NA, NA, 83L, NA, NA, NA, 
    NA, NA, NA, 113L, NA, NA, NA, NA, NA, NA, 145L, NA, NA, NA, 
    NA, NA, NA, 175L, NA, NA, NA, NA, NA, NA, 222L, NA, NA, NA, 
    NA, NA, NA, 258L, NA, NA, NA, NA, NA, NA, 384L, NA, NA, NA, 
    NA, NA, NA, 755L, NA, NA, NA, NA, NA, NA, 976L, NA, NA, NA, 
    NA, NA, NA, 879L, NA, NA, NA, NA), no.consultations = c(NA, 
    NA, NA, 15093L, NA, NA, NA, NA, NA, NA, 20336L, NA, NA, NA, 
    NA, NA, NA, 20777L, NA, NA, NA, NA, NA, NA, 21108L, NA, NA, 
    NA, NA, NA, NA, 20967L, NA, NA, NA, NA, NA, NA, 20753L, NA, 
    NA, NA, NA, NA, NA, 18782L, NA, NA, NA, NA, NA, NA, 19778L, 
    NA, NA, NA, NA, NA, NA, 19223L, NA, NA, NA, NA, NA, NA, 21188L, 
    NA, NA, NA, NA, NA, NA, 22172L, NA, NA, NA, NA, NA, NA, 21965L, 
    NA, NA, NA, NA, NA, NA, 21768L, NA, NA, NA, NA, NA, NA, 21277L, 
    NA, NA, NA, NA, NA, NA, 16383L, NA, NA, NA, NA, NA, NA, 15337L, 
    NA, NA, NA, NA, NA, NA, 19179L, NA, NA, NA, NA, NA, NA, 18705L, 
    NA, NA, NA, NA, NA, NA, 19623L, NA, NA, NA, NA, NA, NA, 19363L, 
    NA, NA, NA, NA, NA, NA, 16257L, NA, NA, NA, NA, NA, NA, 19219L, 
    NA, NA, NA, NA, NA, NA, 17048L, NA, NA, NA, NA, NA, NA, 19231L, 
    NA, NA, NA, NA, NA, NA, 20023L, NA, NA, NA, NA, NA, NA, 19331L, 
    NA, NA, NA, NA, NA, NA, 18995L, NA, NA, NA, NA, NA, NA, 16571L, 
    NA, NA, NA, NA, NA, NA, 15010L, NA, NA, NA, NA, NA, NA, 13714L, 
    NA, NA, NA, NA, NA, NA, 10451L, NA, NA, NA, NA, NA, NA, 14216L, 
    NA, NA, NA, NA, NA, NA, 16800L, NA, NA, NA, NA, NA, NA, 18305L, 
    NA, NA, NA, NA, NA, NA, 18911L, NA, NA, NA, NA, NA, NA, 17812L, 
    NA, NA, NA, NA, NA, NA, 18665L, NA, NA, NA, NA, NA, NA, 18977L, 
    NA, NA, NA, NA, NA, NA, 19512L, NA, NA, NA, NA, NA, NA, 17424L, 
    NA, NA, NA, NA, NA, NA, 14464L, NA, NA, NA, NA, NA, NA, 16383L, 
    NA, NA, NA, NA, NA, NA, 19916L, NA, NA, NA, NA, NA, NA, 18255L, 
    NA, NA, NA, NA, NA, NA, 20113L, NA, NA, NA, NA, NA, NA, 20084L, 
    NA, NA, NA, NA, NA, NA, 20196L, NA, NA, NA, NA, NA, NA, 20184L, 
    NA, NA, NA, NA, NA, NA, 20261L, NA, NA, NA, NA, NA, NA, 22246L, 
    NA, NA, NA, NA, NA, NA, 23030L, NA, NA, NA, NA, NA, NA, 10487L, 
    NA, NA, NA, NA)), .Names = c("daily.ts", "wdayno", "month", 
"year", "yearday", "no.influ.cases", "no.consultations"), row.names = c(NA, 
-365L), class = "data.frame")

r time-series interpolation

— COOLSerdash
kaynak

4

Bu soru , madencilik endüstrisinde oldukça iyi incelenen alandan noktaya enterpolasyonun tek boyutlu bir versiyonunu soruyor . Atıfta bulunulan özet, jeoistatistiki yöntemlerin "tutarlı (kitle koruyan ...) tahminler" verdiğini açıkça belirtmektedir. Bu yaklaşımların @Nick Cox tarafından yapılan itirazların üstesinden geldiğine inanıyorum.

— whuber

@whuber Referansınız için teşekkürler, bu tür bir sorunun jeoistatistikte iyi bilindiğini bilmiyordum. Bu tür yöntemlerin Rveya diğer istatistiksel paketlerde (ArcGIS'e erişimim yok) herhangi bir uygulamanın farkında mısınız ? Somut olarak kullanılabilir bir uygulama olmadan, hala sıkışıp kaldım, korkuyorum.

— COOLSerdash

2

geoRglmVariografi ve destek değişikliğini (uzamsal korelasyon modelini geliştirmek için gerekli) çok iyi bir anlayışa sahip olmanız koşuluyla, bu kod kullanılarak yapılabileceğine inanıyorum . El kitabı Springer Verlag tarafından Model Tabanlı Geostatistics, Diggle & Ribeiro Jr.

— whuber

3

Gruplandırılmış verilerin alt bölümlere ayrılması demografide yaygın bir prosedürdür. Bir arama terimi "Sprague interpolation" dır; sizi birçok varyasyona götürecektir. Bir monotonik eğri sağlayacak şekilde kümülatif değerlere beşinci derecelik bir spline yerleştirerek , bu yöntem ve varyantları gruplanmış verileri etkili bir şekilde yeniden dağıtır. (1880'den beri var.) Genel terim "salınımlı enterpolasyon" dur. Rob Hyndman, diğerlerinin yanı sıra, bu konu hakkında yazdı: Smith, Hyndman ve Wood, Demografik Değişkenler için Spline İnterpolasyonu: Monotonite Sorunu, J. Pop. Res. 21 No. 1 (2004), 95-98.

— whuber

2

Sorunuz aynı zamanda bir boyutta simetrik haritalama olarak da görülebilir . Bu, standart Sayım birimleri gibi bazı toplam düzeylerde ölçülen miktarların ayrıntılı haritalarını üretmek için bir prosedürdür. (En azından 1936'ya kadar izlenebilir: Bkz . Nüfus Yoğunluklarını Haritalama Yöntemi : John K. Wright : Örnek olarak Cape Cod ile. Coğrafi İnceleme 26: 1 (Ocak 1936), sf. son yaklaşım (biraz ad hoc , ancak kısa bir yardımcı bibliyografya ile) bkz. giscience.org/proceedings/abstracts/giscience2012_paper_179.pdf .

— whuber

8

ROrtalamaları (örn. Haftalık, aylık, vb.) Korurken, eşit aralıklı noktaları doğrusal ve eğri çizgilerle enterpolasyon yapan bir işlev oluşturmayı başardım . Bu işlevlerini kullanır na.approxve na.splinegelen zoopaket ve yinelemeli arzu edilen özelliklere sahip spline hesaplar. Algoritma bu makalede açıklanmaktadır .

İşte kod:

interpol.consmean <- function(y, period=7, max.iter=100, tol=1e-4, plot=FALSE) {

  require(zoo)

  if( plot == TRUE ) {
    require(ggplot2)
  }

  y.temp.linear <- matrix(NA, ncol=length(y), nrow=max.iter+1)
  y.temp.linear[1, ] <- y

  y.temp.spline <- y.temp.linear

  y.temp.pred.spline <- matrix(NA, ncol=length(y), nrow=max.iter)
  y.temp.pred.linear <- matrix(NA, ncol=length(y), nrow=max.iter)

  ind.actual <- which(!is.na(y))

  if ( !all(diff(ind.actual)[1]== diff(ind.actual)) ) {
    stop("\"y\" must contain an evenly spaced time series")
  }

  partial <- ifelse((length(y) - ind.actual[length(ind.actual)]) < period/2,
                    TRUE, FALSE)

  for(k in 1:max.iter) {

    y.temp.pred.linear[k,] <- na.approx(y.temp.linear[k, ], na.rm=FALSE, rule=2)
    y.temp.pred.spline[k,] <- na.spline(y.temp.spline[k, ], method="fmm")

    interpol.means.linear <- rollapply(y.temp.pred.linear[k,], width=period, mean,
                                       by=period, align="left", partial=partial) 
    interpol.means.splines <- rollapply(y.temp.pred.spline[k,], width=period, mean,
                                        by=period, align="left", partial=partial) 

    resid.linear <- y.temp.linear[k, ][ ind.actual ] - interpol.means.linear
    resid.spline <- y.temp.spline[k, ][ ind.actual ] - interpol.means.splines

    if ( max(resid.linear, na.rm=TRUE) < tol & max(resid.spline, na.rm=TRUE) < tol ){
      cat("Converged after", k, "iterations with tolerance of", tol, sep=" ")
      break
    }

    y.temp.linear[k+1, ][!is.na(y.temp.linear[k, ])] <-  resid.linear
    y.temp.spline[k+1, ][!is.na(y.temp.spline[k, ])] <-  resid.spline

  }  

  interpol.linear.final <- colSums(y.temp.pred.linear, na.rm=TRUE)
  interpol.spline.final <- colSums(y.temp.pred.spline, na.rm=TRUE)

  if ( plot == TRUE ) {

    plot.frame <- data.frame(
      y=rep(y,2)/7,
      x=rep(1:length(y),2),
      inter.values=c(interpol.linear.final, interpol.spline.final)/7,
      method=c(rep("Linear", length(y)), rep("Spline", length(y)))
    )

    p <- ggplot(data=plot.frame, aes(x=x)) +
      geom_point(aes(y=y, x=x), size=4) +
      geom_line(aes(y=inter.values, color=method), size=1) +
      ylab("y") +
      xlab("x") +
      theme(axis.title.y =element_text(vjust=0.4, size=20, angle=90)) +
      theme(axis.title.x =element_text(vjust=0, size=20, angle=0)) +
      theme(axis.text.x =element_text(size=15, colour = "black")) +
      theme(axis.text.y =element_text(size=17, colour = "black")) +
      theme(panel.background =  element_rect(fill = "grey85", colour = NA),
            panel.grid.major =  element_line(colour = "white"),
            panel.grid.minor =  element_line(colour = "grey90", size = 0.25))+
      scale_color_manual(values=c("#377EB8", "#E41A1C"), 
                         name="Interpolation method",
                         breaks=c("Linear", "Spline"),
                         labels=c("Linear", "Spline")) +
      theme(legend.position="none") +
      theme(strip.text.x = element_text(size=16)) +
      facet_wrap(~ method)

    suppressWarnings(print(p))

  }
  list(linear=interpol.linear.final, spline=interpol.spline.final)
}

İşlevi soruda verilen örnek veri kümesine uygulayalım:

interpolations <- interpol.consmean(y=dat.frame$no.influ.cases, period=7,
                                    max.iter = 100, tol=1e-6, plot=TRUE)

Enterpolasyonuna

Hem lineer hem de spline enterpolasyonları iyi görünüyor. Haftalık araçların korunup korunmadığını kontrol edelim (kesik çıktı):

cbind(dat.frame$no.influ.cases[!is.na(dat.frame$no.influ.cases)],
      rollapply(interpolations$linear, 7, mean, by=7, align="left", partial=F))

      [,1] [,2]
 [1,]  168  168
 [2,]  199  199
 [3,]  214  214
 [4,]  230  230
 [5,]  267  267
 [6,]  373  373
 [7,]  387  387
 [8,]  443  443
 [9,]  579  579
[10,]  821  821
[11,] 1229 1229

— COOLSerdash
kaynak

1

Bunun için uygun bir paket bulmalı ve bakıcıya bunu eklemek isteyip istemediklerini sormalısınız.

— Spacedman

4

Aralığın orta noktasında ortalamadan geçen herhangi bir düz çizgi, gerekli ortalamaya sahip günlük değerler üretecektir. Nick Cox'un 'haftalık sayıları gün sayısına bölün' hakkındaki son yorumu, gradyan = 0 olan özel bir durumdur.

Böylece bunu ayarlayabilir ve işleri biraz daha pürüzsüz hale getirmek için degradeyi seçebiliriz. İşte böyle bir şey yapmak için üç R işlevi:

interpwk <- function(x,y,delta){
  offset=-3:3
  yout=y+delta*offset
  xout=x+offset
  cbind(xout,yout)
}

get_delta <- function(x,y,pos){
  (y[pos+1]-y[pos-1])/(x[pos+1]-x[pos-1])
}

#' get slope from neighbours
interpall <- function(x,y,delta1,f=1){
  for(i in 2:(length(x)-1)){
    delta=get_delta(x,y,i)
    xyout=interpwk(x[i],y[i],delta/f)
    points(xyout)
  }
}

Verilerinize bir gün ölçüsü ekleyin, ardından çizin ve enterpolatörü çizin:

> data$day=data$week*7
> plot(data$day,data$no.influ.cases,type="l")
> interpall(data$day,data$no.influ.cases,f=1)

doğrusal ortalama koruyucu enterpolatör

Başka bir olasılık, hafta sonlarında sürekliliği kısıtlamaktır, ancak bu size yalnızca bir serbestlik derecesine sahip bir sistem verir - yani ilk bölümün eğimi ile tamamen tanımlanır (çünkü diğer tüm bölümlerin birleşmesi gerekir). Bunu kodlamam - bir şansın var!

[Aptallar biraz perişan R kodu için, onları çizmektense puanları gerçekten döndürmelidir]

— Spacedman
kaynak

+1, teşekkürler. Sorun, enterpole edilen değerlerin düzgün olmaması ve haftalar arasında oldukça ani adımlar olmasıdır. Sorumu, temelde ihtiyacım olan yaklaşımı tam olarak açıklayan bir makale de dahil olmak üzere düzenledim.

— COOLSerdash

Burada amaç ne? İnfluenza vakalarının neden sorunsuz değiştiğini varsayalım? İnterpolasyon ile bu verilere ne kadar çok yapı koyarsanız, tanıtılan yapının o kadar fazla modelleme aşamasında çözülmesi gerekecektir. 19 Mayıs "Benim günlük verilere günlük verileri doldurmak, sadece bağımlılık ve model uydurma ve değerlendirme çilesi çılgınca aşırı iyimser özgürlük dereceleri ile ilgili sorunlar yaratıyor."

— Nick Cox

Ortalamayı kısıtlamak yanlıştır. Burada gördüğünüz ortalama örnek bir ortalamadır ve bir şekilde istatistiksel varyasyona tabidir. Bir modeli tasarlayın, daha sonra beklentisi kadar ortalamaya sahip bir aradeğerleyici kullanın, daha sonra günlük verilerin çoklu imputasyonlarını yapın ve bu belirsizliğin sonuçlarınızı nasıl etkilediğini anlamak için analizinizi yüz veya daha fazla kez yapın.

— Spacedman

1

@ Spacedman Bahsettiğim jeoistatistiksel API yöntemleri (soruya bir yorumda) variogram nugget parametresinde sıfır olmayan bir bileşen aracılığıyla (oldukça geçerli) itirazınızı aplomb ile ele alacaktır. Jeoistatistiksel koşullu simülasyonlar, atıfta bulunduğunuz birden çok uyarımı gerçekleştirmek için kontrollü bir yöntemdir.

— whuber

2

Kesinlikle. GeoRglm için Diggle & Ribeiro kılavuzunda (Gambiya'daki sıtma vakaları, bataklıklara yakınlık vb. Ortak değişkenler gibi) çalışan bir örneğe benzeyen tek boyutlu bir durum var gibi görünüyor. Ana komplikasyon, destek değişikliğini ele almaktır, ancak bu tahmini gerçekten etkilemez: öncelikle variogramın tahminini etkiler. Bazı teori ve benzer örnekler için ncbi.nlm.nih.gov/pmc/articles/PMC2995922'ye bakınız (hastalık vakalarının "binom kriging").

— whuber

3

Bence sayımlarla uğraştığınız için, günlük sayımları multinomiyal olarak modelleyebilirsiniz, ise haftanın toplamıdır; GLM'lerde spline yumuşatma yapmak mümkündür. $n$

(Veriler sayımlardan ziyade ölçümler olsaydı, oranların bir Dirichlet modeli aracılığıyla modellenmesine eğilimliydim, ancak bu biraz daha dahil.

Günlerin sayısının her zaman aynı olmayacağı gerçeği, ne olduğunu bildiğiniz sürece - işleri aynı 'seviyeye' koymak için bir ofset kullandığınız sürece belirli bir sorun olmamalıdır.

— Glen_b-Monica'yı eski durumuna döndür
kaynak

1

Eğer yanılıyorsam beni düzeltin, ama bence bu soru tersine döndü. Günlük sayıları yumuşatmak değil; haftalık verilerden günlük sayıları tahmin etmek budur. (Muhtemelen afiş, başka bir şey için günlük verilere sahiptir, örneğin sıcaklıklar.) Bunun dışında, bu multinom veya Dirichlet nasıl? Bana daha çok Poisson gibi geliyor.

— Nick Cox

@NickCox Kesinlikle haklısın, açıklama için teşekkürler: Haftalık verilerim var ve günlük veriler istiyorum çünkü günlük olarak başka verilerim var (yani meteorolojik değişkenler, mortalite, hava kirliliği vb.).

— COOLSerdash

3

Benim kendi sorumuz, bunu neden yapmak istediğinizi sormak. Yukarıda belirtildiği gibi, günlük verileriniz olduğunu ve her şeyi aynı temelde istediğinizi tahmin ediyorum. Eğer öyleyse, günlük verilerin min., Ortalama, medyan, haftalar boyunca maks. Haftalık verilerin günlük verilere şişirilmesi, sadece bağımlılık ve model uydurma ve değerlendirmeyi kötüleştirecek aşırı derecede iyimser özgürlük dereceleri ile ilgili sorunlar yaratır.

— Nick Cox

@Nick Cox kesinlikle "tahmin", ancak verilen bilgilerde OP'nin peşinde olduğu gibi görünüyor.

— Glen_b

2

Başka bir muhafazakar yaklaşım, haftalık sayıları gün sayısına bölmektir. Gerçek sürecin bundan daha pürüzsüz olacağına dair bir varsayım olduğunu biliyorum, ama ortalamayı koruyacak.

— Nick Cox

3

Bazı ekstra yorumları başka bir cevap olarak bir araya getireceğim.

Bu projenin yapısının daha açık hale gelmesi biraz zaman aldı. İnfluenza şimdi birkaç arasında bir eş değişken olarak ortaya çıkarsa, yaptığınız şey çok önemli görünmüyor ya da en azından bazı önceki yorumlarda ifade edilen şüpheciliği hak etmemek. Diğer her şey günlük olarak yapıldığından, diğer her şeyin haftalara indirilmesi çok fazla ayrıntı atar.

Sorunun asıl odağı, bir (aşırı) cevabın haftalık ortalamayı haftalık ortalamayı koruduğu haftalık ortalamayı koruyan enterpolasyon üzerinde kalır. Şaşırtıcı olmayan bir şekilde çekici veya gerçekçi olmayan gibi göründüğü için, diğer enterpolasyon yöntemleri @Spacedman tarafından önerilen daha çekici ve / veya impütasyon yöntemleri gibi gözükmektedir. (Bunun geçici bir lezzet ile çarpışma mı yoksa ilave stokastik lezzet ile enterpolasyon mu olacağı belli değil.)

Başka iki özel düşünce:

Haftalık değerleri (gün sayısına bölünür) almak ve daha sonra ağırlıklı ortalamalarla yumuşatmanın, ortalamada iyi bir yaklaşıma sahip olmasını sağlamak muhtemelen pratik olacaktır.
İnfluenza vakaları sayıldığından, kök veya log sayılarını yumuşatmak ve sonra geri dönüştürme sadece sayıları yumuşatmaktan daha iyi sonuç verebilir.

— Nick Cox
kaynak