He estado investigando la posibilidad de utilizar el intervalo entre infrecuente de eventos para la prueba de los cambios en la frecuencia de tales eventos a lo largo del tiempo.
Como ejemplo, decir que el evento se está rompiendo un récord en alguna competición deportiva. Esto puede ocurrir en más de un par de veces al año, y la segmentación de los datos del problema (si un evento se enmarca dentro de un cierto intervalo de observación) hace que el habitual de los eventos por año de análisis, generalmente de un GLM con distribución de Poisson vínculo, que se ve fuertemente afectado por una sola evento sin una muy larga serie.
Pensé por primera vez en el muestreo de diferentes observación de los intervalos, y luego decidió desechar los intervalos completo y ver si los intervalos entre los eventos estaban relacionados con su posición serial. Esta parecía ser una más potente de la prueba en los datos que yo tenía. Al parecer, este fue un procedimiento aceptado algunos de los 50-60 años, pero no he sido capaz de encontrar mucho en la literatura reciente. Estoy bastante seguro de que esto está relacionado con el análisis de la frecuencia de eventos climáticos extremos y el como, pero no estoy familiarizado con ese campo.
Alguien sabe si este tipo de prueba ha sido reemplazada por algo?
Respuesta
¿Demasiados anuncios?
Este es un problema bastante común, pero muy complicado.Puede ser encontrado por google Intermitente de la Demanda , Análisis de Datos Dispersos y algunos otros "nombres". Estamos de acuerdo con datos de series de tiempo, donde hay dos variables aleatorias ; El intervalo y la demanda real en cada punto.No hemos experimentado con casos como el suyo, donde la demanda es SIEMPRE un "1" pero no vemos la razón por la que nuestro enfoque no funciona
. Lo que hemos encontrado para ser útil es para el modelo de la tasa ( en su caso 1/intervalo ) como puede ser prdicted de Intervalo. Este enfoque le permite detectar cambios en el nivel de la tasa y, por supuesto, inusual tasas ( pulsos). Intente buscar en google "análisis de series de tiempo con muchos valores cero" y obtendrás información sobre cómo lidiar con este "problema difícil".
