Saya mengukur keberadaan respons dalam pengukuran sinyal sel. Apa yang saya lakukan adalah pertama-tama menerapkan algoritma perataan (Hanning) ke deret waktu data, lalu mendeteksi puncak. Yang saya dapatkan adalah ini:
Jika saya ingin membuat deteksi respon sedikit lebih objektif daripada "ya Anda melihat kenaikan dalam penurunan terus menerus", apa yang akan menjadi pendekatan terbaik? Apakah untuk mendapatkan jarak puncak dari garis dasar yang ditentukan oleh regresi linier?
(Saya adalah pembuat kode python dan hampir tidak memiliki pemahaman tentang statistik)
Terima kasih
Jawaban:
Jadi sepertinya dari komentar 25 Oktober Anda tertarik untuk mencari dan mengkarakterisasi secara algoritmik dua fitur utama: peluruhan respons awal diikuti oleh siklus peningkatan respons dan peluruhan selanjutnya. Saya berasumsi bahwa data diamati pada interval waktu diskrit.
Inilah yang akan saya coba:
Pada titik ini Anda akan memiliki nilai waktu yang terkait
Sebuah. awal peluruhan awal
b. mulai dari kenaikan
c. awal peluruhan kedua
Anda kemudian dapat melakukan apa yang Anda inginkan secara analitis untuk menilai perubahan.
Mungkin lebih baik membiarkan data berbicara sendiri: di beberapa seri, ketika Anda menerapkan metode ini, apa perubahan ukuran khas pada kenaikan, kapan biasanya terjadi ke dalam periode peluruhan, dan berapa lama berlangsung? Dan seperti apa distribusi kenaikan ini dalam hal di mana, seberapa besar, dan berapa lama? Mengetahui statistik ini, Anda dapat mengkarakterisasi kenaikan tertentu dengan lebih baik dalam toleransi, sehubungan dengan di mana waktu terjadi serta ukuran dan lamanya. Kunci dari pemahaman saya adalah untuk dengan mudah mengidentifikasi di mana perubahan ini terjadi. Sisa dari apa yang saya jelaskan adalah langsung menghitung.
sumber
Berikut adalah beberapa ide tetapi saya keluar dari kepala saya yang mungkin berfungsi ...
Derivatif: Jika Anda mengambil array dan mengurangi elemen dari satu sama lain untuk mendapatkan array satu poin lebih sedikit, tapi itulah turunan pertama. Jika sekarang Anda menghaluskannya dan mencari perubahan tanda, itu mungkin mendeteksi benjolan Anda.
Rata-rata bergerak: Mungkin menggunakan 2 rata-rata bergerak yang tertinggal (eksponensial atau berjendela) dapat mengungkapkan adanya benjolan besar sementara mengabaikan yang kecil. Pada dasarnya, lebar rata-rata pergerakan jendela yang lebih kecil harus lebih besar dari lebar gundukan yang ingin Anda abaikan. EMA yang lebih luas harus lebih lebar tetapi tidak terlalu lebar untuk mendeteksi benjolan.
Anda mencari ketika mereka memotong dan mengurangi lag (jendela / 2) dan itu adalah perkiraan di mana benjolan Anda berada. http://www.stockopedia.com/content/trading-the-golden-cross-does-it-really-work-69694/
Model linear: Lakukan serangkaian model linier dengan lebar cukup yang memiliki beberapa tonjolan kecil, misalkan 100 poin. Sekarang loop melalui set data yang menghasilkan regresi linier pada variabel X. Lihat saja koefisien X dan lihat di mana perubahan tanda besar terjadi. Itu benjolan besar.
Di atas hanyalah dugaan ada di pihak saya dan mungkin ada cara yang lebih baik untuk melakukannya.
sumber