Necesito resolver un complicado problema de regresión sobre la unidad de disco. La pregunta original , atrajo a algunos comentarios interesantes, pero no hay respuestas, lamentablemente. En tanto, aprendí algo más sobre este problema, por lo tanto voy a tratar de dividir el problema original en subproblemas, y a ver si tengo mejor suerte esta vez.
Tengo 40 sensores de temperatura regularmente espaciados en un estrecho anillo dentro de la unidad de disco:
Estos sensores adquirir la temperatura en el tiempo. Sin embargo, debido a que la variación es mucho menor que el espacio de variación, vamos a simplificar el problema al ignorar la variabilidad tiempo, y se supone que cada sensor sólo me da un tiempo promedio. Esto significa que tengo 40 muestras (uno para cada sensor) y no tengo en muestras repetidas.
Me gustaría construir una regresión de la superficie de $T=f(\rho,\theta)+\epsilon$ a partir de los datos de los sensores. La regresión tiene dos objetivos:
- Necesito para estimar una media radial perfil de temperatura $T_{mean}=g_1(\rho)+\epsilon$. Con la regresión lineal, ya me estimación de una superficie que es la temperatura media de la superficie, por lo que sólo se necesita integrar mi superficie con respecto a $\theta$, ¿verdad? Si puedo usar polinomios de regresión, este paso debe ser un pedazo de pastel.
- Necesito calcular una radial perfil de temperatura $T_{95}=g_2(\rho)+\epsilon$, de tal manera que en cada posición radial, $P(T(\rho)<T_{95}(\rho))=.95$.
Teniendo en cuenta estos dos objetivos, la técnica que se debe utilizar para la regresión en la unidad de disco? Por supuesto, Gauss Procesos se utilizan comúnmente para la espacial de regresión. Sin embargo, la definición de un buen kernel para la unidad de disco no es trivial, así que me gustaría mantener las cosas simples y el uso de los polinomios, a menos que usted se siente que es una estrategia perdedora. He leído acerca de los polinomios de Zernike. Los polinomios de Zernike parecen ser apropiadas para la regresión en la unidad de disco, ya que son periódicas en $\theta$.
Una vez que el modelo que se elija, necesito elegir un procedimiento de estimación. Dado que este es un espacio de regresión problema, los errores en diferentes lugares debe ser correlacionados. Mínimos Cuadrados ordinarios supone la no correlación de los errores, por lo tanto supongo Generalizada de los mínimos Cuadrados , sería más apropiado. GLS parece relativamente común de la técnica estadística, dado que hay un gls
función en el estándar de R de distribución. Sin embargo, nunca he utilizado el GLS, y tengo dudas. Por ejemplo, ¿cómo puedo calcular la matriz de covarianza? Un trabajado ejemplo, incluso con sólo un par de sensores, sería genial.
PS yo elegí el uso de polinomios de Zernike y GLS, porque me parece lo lógico aquí. Sin embargo, no soy experto, y si siento que me estoy yendo en la dirección equivocada, siéntase libre de utilizar un enfoque completamente diferente.