Sumber daya untuk analisis deret waktu Terganggu dalam R

Saya cukup baru di R. Saya telah mencoba membaca tentang analisis deret waktu dan telah selesai

1. Analisis seri Waktu Shumway dan Stoffer dan penerapannya Edisi ke-3 ,
2. Peramalan Hyndman yang sangat baik : prinsip dan praktik
3. Avril Coghlan's Menggunakan R untuk Time Series Analysis
4. A. Ian McLeod dkk. Analisis Rangkaian Waktu dengan R
5. Analisis Rangkaian Waktu Terapan Dr. Marcel Dettling

Sunting: Saya tidak yakin bagaimana menangani ini tetapi saya menemukan sumber daya yang bermanfaat di luar Cross Validated. Saya ingin memasukkannya di sini kalau-kalau ada yang tersandung pada pertanyaan ini.

Analisis regresi tersegmentasi dari studi time series terputus dalam penelitian penggunaan obat

Saya memiliki serangkaian waktu univariat dari jumlah barang yang dikonsumsi (data hitungan) yang diukur setiap hari selama 7 tahun. Intervensi diterapkan pada populasi penelitian sekitar pertengahan seri waktu. Intervensi ini tidak diharapkan untuk menghasilkan efek langsung dan waktu timbulnya efek pada dasarnya tidak diketahui.

Menggunakan forecastpaket Hyndman, saya telah menggunakan model ARIMA untuk data pra-intervensi auto.arima(). Tetapi saya tidak yakin bagaimana menggunakan kecocokan ini untuk menjawab apakah ada perubahan tren yang signifikan secara statistik dan menghitung jumlahnya.

# for simplification I will aggregate to monthly counts
# I can later generalize any teachings the community supplies
count <- c(2464, 2683, 2426, 2258, 1950, 1548, 1108,  991, 1616, 1809, 1688, 2168, 2226, 2379, 2211, 1925, 1998, 1740, 1305,  924, 1487, 1792, 1485, 1701, 1962, 2896, 2862, 2051, 1776, 1358, 1110,  939, 1446, 1550, 1809, 2370, 2401, 2641, 2301, 1902, 2056, 1798, 1198,  994, 1507, 1604, 1761, 2080, 2069, 2279, 2290, 1758, 1850, 1598, 1032,  916, 1428, 1708, 2067, 2626, 2194, 2046, 1905, 1712, 1672, 1473, 1052,  874, 1358, 1694, 1875, 2220, 2141, 2129, 1920, 1595, 1445, 1308, 1039,  828, 1724, 2045, 1715, 1840)
# for explanatory purposes
# month <- rep(month.name, 7)
# year <- 1999:2005
ts <- ts(count, start(1999, 1))
train_month <- window(ts, start=c(1999,1), end = c(2001,1))
require(forecast)
arima_train <- auto.arima(train_month)
fit_month <- Arima(train_month, order = c(2,0,0), seasonal = c(1,1,0), lambda = 0)
plot(forecast(fit_month, 36)); lines(ts, col="red")

Apakah ada sumber daya khusus yang berhubungan dengan analisis deret waktu terputus dalam R? Saya telah menemukan ini berurusan dengan ITS di SPSS tetapi saya belum dapat menerjemahkan ini ke R.

Ini dikenal sebagai analisis titik perubahan. Paket R changepointdapat melakukan ini untuk Anda: lihat dokumentasi di sini (termasuk referensi ke literatur): http://www.lancs.ac.uk/ ~killick / Pub / KillickEckley2011.pdf

Saya akan menyarankan model hirarki tindakan berulang. Metode ini harus memberikan hasil yang kuat karena setiap individu akan bertindak sebagai kontrolnya sendiri. Coba periksa tautan ini dari UCLA.

Untuk pendekatan Bayesian, Anda dapat menggunakan mcpagar sesuai dengan model Poisson atau Binomial (karena Anda memiliki hitungan dari periode interval tetap) dengan autoregresi diterapkan pada residu (dalam ruang log). Kemudian bandingkan model dua segmen dengan model satu segmen menggunakan cross-validation.

Sebelum kita mulai, perhatikan bahwa untuk dataset ini, model ini tidak cocok dan validasi silang terlihat tidak stabil. Jadi saya akan menahan diri untuk tidak menggunakan yang berikut dalam skenario berisiko tinggi, tetapi itu menggambarkan pendekatan umum:

# Fit the change point model
library(mcp)
model_full = list(
  count ~ 1 + ar(1),  # intercept and AR(1)
  ~ 1  # New intercept
)
fit_full = mcp(model_full, data = df, family = poisson(), par_x = "year")


# Fit the null model
model_null = list(
  count ~ 1 + ar(1)  # just a stable AR(1)
)
fit_null = mcp(model_null, data = df, family = poisson(), par_x = "year")

# Compare predictive performance using LOO cross-validation
fit_full$loo = loo(fit_full)
fit_null$loo = loo(fit_null)
loo::loo_compare(fit_full$loo, fit_null$loo)

Untuk dataset saat ini, ini menghasilkan

       elpd_diff se_diff
model2    0.0       0.0 
model1 -459.1      64.3 

Yaitu, elpd_diff/se_diffrasio sekitar 7 yang mendukung model nol (tidak ada perubahan). Kemungkinan peningkatan meliputi:

• memodelkan tren periodik menggunakan sin()atau cos().
• menambahkan informasi sebelumnya tentang kemungkinan lokasi perubahan, misalnya prior = list(cp_1 = dnorm(1999.8, 0.5),.

Baca lebih lanjut tentang pemodelan autoregresi, melakukan perbandingan model, dan pengaturan prior yang mcpsitus . Pengungkapan: Saya adalah pengembang dari mcp.