Algoritmo correcto para la detección de brotes en los datos de los conflictos

Question

Actualmente estoy trabajando en un proyecto de investigación si Google Trends se puede predecir eventos de conflicto en conflictos intraestatales.

Por lo tanto tengo dos conjuntos de datos diferentes; el semanario de Google de búsqueda de Tendencias en el volumen y el número de eventos de conflicto por semana. Mi idea era hacer la siguiente prueba de hipótesis:

1. El uso de un brote algoritmo de detección de la R-package surveillance. Esto me dará binomio valores (brote/ningún brote) por cada semana en mi conjuntos de datos. La idea era que los algoritmos sería capaz de correctamente y de forma automática identificar los "picos" en mis datos.

2. Evaluar el binomio clasificadores (entonces, si hay un "brote" en los datos de Google Trends para la semana t y hay un "brote" en el conflicto de los datos en la semana t+1 yo tendría un verdadero positivo etc.).

Estoy, sin embargo, no es totalmente seguro, el algoritmo que se proporciona en el paquete sería adecuado para mi tipo de datos (que asumo que no sigue las tendencias de la temporada, tan fuerte como la enfermedad de los datos), ya que mi fondo no está en la epidemiología y de mi conocimiento de la estadística es bastante limitada. Yo lo que sería agradecido por las sugerencias o consejos!

Answer 1

Yo tomé a vuestro 260 semanal de los valores y los introdujo AUTOBOX en forma automática. Para desarrollar un modelo que uno necesita para la condición de la ecuación basada en posibles anomalías , el nivel de los turnos semanales de los indicadores y, por supuesto, posible ARIMA de la memoria. La serie original tenía una de ACF y los residuos de un modelo útil tenido una ACF aquí y el siguiente residual de la parcela .... tanto lo que sugiere que un modelo útil de mayo han sido desarrollados.

La Real y Previsión gráfica está aquí ## ## con el Real/Ajuste y Pronóstico de aquí .

La ecuación que se muestra con las estadísticas aquí . La previsión de ir hacia adelante requiere predicciones de google de la serie .

En resumen, el google de la serie es estadísticamente significativa y también algunas semanas del año son también sugiere que es importante que refleja un omitido causal de la variable.

Ordinario de correlación no tiene jugar con este tipo de datos porque hay fuera/de identificación de factores que deben ser incorporados en el orden correctamente "ver" la relación (si los hubiera ! )