¿Cómo modelar datos binarios dependientes con autocorrelación temporal?

Question

Estoy tratando de modelo anual del árbol de nuez de producción, utilizando clima predictores.

La tuerca de datos (dependiente) es un binario unicc (0,1 - que representan el éxito, y el éxito de la tuerca de la producción), con una observación por año, y con 90 años de datos y faltan dos años (88 onservations).

Las variables independientes son mensuales de las variables del clima, incluidos los meses en años anteriores (por ejemplo, Temp.El mes de julio.t, Temp.El mes de julio.t-1)

Estoy usando R, y tiene un básico-intermedio conocimiento de la estadística.

Mi problema es que el dependiente de los datos tiene una fuerte autocorrelación temporal (tuerca de la producción no puede ser exitoso a dos años de funcionamiento). Estoy buscando un puntero hacia una técnica que me permita lidiar con la autocorrelación en los datos binarios y crear un modelo estadístico que me permite investigar la relación entre la tuerca de la producción y el clima.

Gracias.

Answer 1

Si el sólo autocorrelación presente es que un año exitoso debe ser seguido por una incorrecta año, un método sencillo y eficaz sería calcular una regresión logística binaria sobre un conjunto de datos que excluye la variable dependiente para todos aquellos años en los que el año anterior fue un éxito. Porque los años ya estaban decididos como un fracaso por el éxito en el año anterior, el hecho de que ellos no tuvieron éxito puede producir ninguna información acerca de la relevancia para el éxito o no de la independiente de las variables del clima. Con 90 años de los datos de la exclusión de aquellos años todavía debe dejar un razonablemente amplio conjunto de datos.

El modelo resultante será parte determinista (el año después de un año de éxito es un fracaso en el año) y en parte estocástica (el año después de un fallido año tiene una cierta probabilidad de éxito, depende de las variables del clima, según las estimaciones de la regresión).

(Con disculpas si este es afirmar lo obvio) exclusión de la variable dependiente para el año t, porque el año t-1 fue un éxito no significa quitar todos los datos para el año t. Las variables independientes para los meses en el año t todavía son potencialmente relevantes como retardados de las variables que influyen en el éxito o por el contrario en los años después de la t.