การหาจุดผันใน R จากข้อมูลที่ราบเรียบ

loessผมมีข้อมูลบางอย่างที่ผมเรียบใช้ ฉันต้องการหาจุดเบี่ยงเบนของเส้นที่เรียบ เป็นไปได้ไหม ฉันแน่ใจว่ามีคนทำวิธีแฟนซีเพื่อแก้ปัญหานี้ ... ฉันหมายถึง ... หลังจากทั้งหมดมันคือ R!

ฉันพอใจกับการเปลี่ยนฟังก์ชั่นปรับให้เรียบที่ฉันใช้ ฉันเพิ่งใช้loessเพราะนั่นคือสิ่งที่ฉันเคยใช้ในอดีต แต่ฟังก์ชั่นการปรับให้เรียบนั้นใช้ได้ ฉันรู้ว่าจุดเปลี่ยนผันจะขึ้นอยู่กับฟังก์ชันการปรับให้เรียบที่ฉันใช้ ฉันไม่เป็นไร ฉันต้องการเริ่มต้นด้วยการมีฟังก์ชั่นการปรับให้เรียบซึ่งสามารถช่วยแยกจุดที่ทำให้เกิดการเว้าออกได้

นี่คือรหัสที่ฉันใช้:

x = seq(1,15)
y = c(4,5,6,5,5,6,7,8,7,7,6,6,7,8,9)
plot(x,y,type="l",ylim=c(3,10))
lo <- loess(y~x)
xl <- seq(min(x),max(x), (max(x) - min(x))/1000)
out = predict(lo,xl)
lines(xl, out, col='red', lwd=2)

จากมุมมองของการใช้ R เพื่อค้นหาการเบี่ยงเบนในโค้งที่ราบเรียบคุณเพียงแค่ต้องค้นหาสถานที่เหล่านั้นในค่า y ที่ปรับให้เรียบซึ่งการเปลี่ยนแปลงในเครื่องหมาย y สวิตช์

infl <- c(FALSE, diff(diff(out)>0)!=0)

จากนั้นคุณสามารถเพิ่มคะแนนลงในกราฟที่เกิดการผันเหล่านี้

points(xl[infl ], out[infl ], col="blue")

จากมุมมองของการค้นหาจุดโรคติดเชื้อที่มีความหมายทางสถิติฉันเห็นด้วยกับ @nico ว่าคุณควรพิจารณาการวิเคราะห์จุดเปลี่ยนบางครั้งก็เรียกว่าการถดถอยแบบแบ่งกลุ่ม

มีปัญหาในหลายระดับที่นี่

ก่อนอื่นเหลืองจะเกิดขึ้นเป็นหนึ่งเรียบและมีมากมายให้เลือก ผู้มองโลกในแง่ดียืนยันว่าการเรียบเนียนที่สมเหตุสมผลใด ๆ จะได้พบกับรูปแบบที่แท้จริงและนักปรับเรียบที่สมเหตุสมผลทุกคนเห็นด้วยกับลวดลายจริง ผู้มองในแง่ร้ายแย้งว่านี่เป็นปัญหาและ "ผู้เรียบที่สมเหตุสมผล" และ "รูปแบบที่แท้จริง" ถูกกำหนดไว้ที่นี่ในแง่ของกันและกัน จนถึงจุดทำไมจึงเหลืองและทำไมคุณคิดว่าเป็นทางเลือกที่ดีที่นี่ ตัวเลือกไม่ได้เป็นเพียงแค่ความราบรื่นเพียงอย่างเดียวหรือการใช้งานที่ราบรื่นเพียงอย่างเดียว (ไม่ใช่ทั้งหมดที่อยู่ภายใต้ชื่อเหลืองหรือ lowess เหมือนกันทั่วซอฟต์แวร์) แต่ยังปรับให้เรียบในระดับเดียว (แม้ว่าจะถูกเลือกโดย ประจำสำหรับคุณ) คุณพูดถึงประเด็นนี้ แต่ไม่ได้กล่าวถึง

โดยเฉพาะอย่างยิ่งเมื่อตัวอย่างของเล่นของคุณแสดงคุณสมบัติพื้นฐานเช่นจุดเปลี่ยนอาจไม่ได้รับการเก็บรักษาไว้อย่างง่ายดายโดยเหลือง (ไม่ต้องออกเหลืองแบบเดี่ยว) ระดับต่ำสุดในประเทศแรกของคุณจะหายไปและระดับต่ำสุดในประเทศที่สองของคุณจะถูกแทนที่ด้วยความราบรื่นที่คุณแสดง ความยืดหยุ่นที่ถูกกำหนดโดยค่าศูนย์ของอนุพันธ์อันดับสองมากกว่าครั้งแรกนั้นคาดว่าจะไม่แน่นอนมากขึ้น

มีแนวทางที่ดีมากมายในการแก้ไขปัญหานี้ บางคนรวมถึง (1) - แพคเกจ changepoint- (2) - แบ่งเป็น - แพ็กเกจ แต่คุณต้องเลือกจำนวนการเปลี่ยนแปลง (3) MARS ตามที่นำมาใช้ในแพ็คเกจ - โลก -

ทั้งหมดจะให้ข้อมูลที่แตกต่างกันเล็กน้อยทั้งนี้ขึ้นอยู่กับอคติ / ความแปรปรวนของการแลกเปลี่ยน - แยกส่วน - ดีน่าดู จำนวนรุ่น changepoints ที่แตกต่างกันสามารถนำมาเปรียบเทียบกับ AIC / BIC

บางทีคุณอาจใช้ไลบรารี fda และเมื่อคุณประเมินฟังก์ชันต่อเนื่องที่เหมาะสมแล้วคุณสามารถค้นหาสถานที่ที่อนุพันธ์อันดับสองเป็นศูนย์ได้อย่างง่ายดาย

FDA CRAN

แนะนำองค์การอาหารและยา

ฉันได้รับการเยี่ยมชมบล็อกเป็นจำนวนมากเกี่ยวกับแพคเกจ changepoint (> 650 ณ วันที่ 11 พ.ย. 2014) ดังนั้นนี่คือโพสต์ที่ได้รับการปรับปรุงโดยใช้ CausalImpact http://r-datameister.blogspot.com/2014/11/causality-in-time-series-look-at-2-r.html