Autofunzioni di una matrice di adiacenza di una serie temporale?


15

Considera una serie temporale semplice:

> tp <- seq_len(10)
> tp
 [1]  1  2  3  4  5  6  7  8  9 10

possiamo calcolare una matrice di adiacenza per questa serie temporale che rappresenta i collegamenti temporali tra i campioni. Nel calcolare questa matrice aggiungiamo un sito immaginario al tempo 0 e il collegamento tra questa osservazione e la prima osservazione effettiva al tempo 1 è noto come collegamento 0. Tra il tempo 1 e il tempo 2, il collegamento è il collegamento 1 e così via. Poiché il tempo è un processo direzionale, i siti sono collegati a (interessati da) collegamenti "a monte" del sito. Quindi ogni sito è collegato al collegamento 0, ma il collegamento 9 è collegato solo al sito 10; si verifica temporaneamente dopo ogni sito tranne il sito 10. La matrice di adiacenza così definita viene creata come segue:

> adjmat <- matrix(0, ncol = length(tp), nrow = length(tp))
> adjmat[lower.tri(adjmat, diag = TRUE)] <- 1
> rownames(adjmat) <- paste("Site", seq_along(tp))
> colnames(adjmat) <- paste("Link", seq_along(tp)-1)
> adjmat
        Link 0 Link 1 Link 2 Link 3 Link 4 Link 5 Link 6 Link 7
Site 1       1      0      0      0      0      0      0      0
Site 2       1      1      0      0      0      0      0      0
Site 3       1      1      1      0      0      0      0      0
Site 4       1      1      1      1      0      0      0      0
Site 5       1      1      1      1      1      0      0      0
Site 6       1      1      1      1      1      1      0      0
Site 7       1      1      1      1      1      1      1      0
Site 8       1      1      1      1      1      1      1      1
Site 9       1      1      1      1      1      1      1      1
Site 10      1      1      1      1      1      1      1      1
        Link 8 Link 9
Site 1       0      0
Site 2       0      0
Site 3       0      0
Site 4       0      0
Site 5       0      0
Site 6       0      0
Site 7       0      0
Site 8       0      0
Site 9       1      0
Site 10      1      1

L'SVD fornisce una decomposizione di questa matrice in funzioni autonome di variazione come diverse scale temporali. La figura seguente mostra le funzioni estratte (da SVD$u)

> SVD <- svd(adjmat, nu = length(tp), nv = 0)

autofunzioni

Le autofunzioni sono componenti periodiche a varie scale temporali. Provare tp <- seq_len(25)(o più a lungo) mostra questo meglio dell'esempio più breve che ho mostrato sopra.

Questo tipo di analisi ha un nome proprio nelle statistiche? Sembra simile all'analisi dello spettro singolare, ma è una scomposizione di una serie temporale incorporata (una matrice le cui colonne sono versioni ritardate delle serie temporali).

Background: mi è venuta questa idea modificando un'idea dell'ecologia spaziale chiamata Asigenetric Eigenvector Maps (AEM) che considera un processo spaziale con direzione nota e forma una matrice di adiacenza tra una matrice spaziale di campioni che contiene 1s in cui un campione può essere collegato a un collegamento e uno 0 dove non può, sotto il vincolo che i collegamenti possono essere collegati solo "a valle", da cui la natura asimmetrica dell'analisi. Ciò che ho descritto sopra è una versione monodimensionale del metodo AEM. Una ristampa del metodo AEM può essere trovata qui se sei interessato.

La figura è stata prodotta con:

layout(matrix(1:12, ncol = 3, nrow = 4))
op <- par(mar = c(3,4,1,1))
apply(SVD$u, 2, function(x, t) plot(t, x, type = "l", xlab = "", ylab = ""),
      t = tp)
par(op)
layout(1)

Qual è l'analisi? Intendi "c'è qualche utilità per queste autofunzioni?" Le autofunzioni della "maggior parte delle matrici" oscillano, con numeri più alti che oscillano più velocemente; ma cosa ti dicono?
petrelharp,

@petrelharp No, so a cosa possono essere usate le autofunzioni (descrizione del modello spaziale o temporale nei dati multivariati per uno), ma mi chiedevo se questo approccio fosse stato sviluppato altrove, con un nome di cui non ero a conoscenza, quindi potevo leggi di più su questo approccio.
Ripristina Monica - G. Simpson,

Risposte:


Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.