Використання аналізу часових рядів для аналізу / прогнозування насильницької поведінки

Це трохи легковажне запитання, але у мене є серйозний інтерес до відповіді. Я працюю в психіатричній лікарні і маю три роки дані, щодня збираються в кожному відділенні щодо рівня насильства в цьому відділенні.

Очевидно, що модель, яка відповідає цим даним, - це модель часового ряду. Мені довелося відрізняти бали, щоб зробити їх нормальнішими. Я підходив до моделі ARMA з різними даними, і найкращим, на мою думку, була модель з одним ступенем розмежування та автокореляцією першого порядку в відстані 2.

Моє запитання: для чого я можу використовувати цю модель? Часові ряди завжди здаються настільки корисними в підручниках, коли мова йде про популяції зайців та ціни на нафту, але зараз я зробив своє власне, результат видається таким абстрактним, щоб бути абсолютно непрозорим. Різні показники співвідносяться один з одним за відставанням два, але я не можу порадити всім бути в курсі двох днів після серйозного інциденту з усією серйозністю.

Або я можу?

time-series forecasting

— Кріс Білі
джерело

Ви можете відредагувати назву на кшталт "Використання аналізу часових рядів для аналізу / прогнозування насильницької поведінки"?

— Пол,

Мені дуже подобається такий тип запитань, я думаю, що цей тип точної реальної проблеми з worl підвищить інтерес до сайту. Ще краще, якби у вас була можливість додати посилання на дані або сказати нам (як доповнення до публікації), що ви нарешті зробили, які були висновки .... однак я розумію, що це може бути конфіденційне ...

— robin girard

Я хочу, щоб я міг проголосувати ще раз, щоб змусити вас передати питання про визначення випадкової величини;)

— Робін Жирард

Я повернусь, щоб сказати вам, які були результати, але пройде деякий час, коли я проробляю цей шлях разом з багатьма іншими завданнями. Ви не були впевнені, що ви маєте на увазі під "передати питання про випадкову змінну"? Чи є питання, яке ви рекомендуєте переглянути?

— Кріс Білі

Вибачте, якщо мені не було зрозуміло, я маю на увазі не те, що я віддаю перевагу (особиста суб'єктивна думка) такі питання, як ваше, ніж питання, яке задає "що таке випадкова змінна" ... але я думаю, що моє задоволення не в усіх :)

— Робін Жирард

Відповіді:

Модель, яка відповідає даним, не повинна бути моделлю часових рядів; Я б радив трохи подумати поза коробкою.

Якщо у вас є кілька змінних (наприклад, вік, стать, дієта, етнічна приналежність, хвороби, ліки), ви можете використовувати їх для іншої моделі. Можливо, наявність певних пацієнтів в одній кімнаті є важливим прогнозом? Чи, можливо, це стосується персоналу, який відвідує? Або подумайте про використання багатовимірної моделі часових рядів (наприклад, VECM), якщо у вас є інші змінні, які ви можете використовувати. Подивіться на зв’язки між насильством серед пацієнтів: чи певні пацієнти діють разом?

Модель часового ряду корисна, якщо час має якусь важливу роль у поведінці. Наприклад, може бути скупчення насильства. Подивіться на літературу про кластеризованість. Як підказує @Jonas, з порядком відставання у 2, можливо, вам доведеться бути в курсі наступного дня після сплеску насильства. Але це не допомагає вам запобігти в перший день: може бути інша інформація, яку ви можете зв’язати в аналізі, щоб насправді зрозуміти причину насильства, а не просто розголошувати його в часовій серії.

Нарешті, як технічна пропозиція: якщо ви використовуєте R для аналізу, ви можете ознайомитись з пакетом прогнозів від Роба Хайндмана (творця цього сайту). Це дуже багато приємних особливостей; див. статтю "Автоматичне прогнозування часових рядів: Пакет прогнозування для R" у Журналі статистичного програмного забезпечення.

— Шейн
джерело

Домовились - просто викинути кілька додаткових ідей щодо моделювання: логістика передбачити, які пацієнти матимуть 1+ насильницьких спалахів, регресія Пуассона (еска), щоб передбачити, які пацієнти матимуть багато спалахів, багаторівнева перевірка варіацій від кімнати до кімнати та / або підопічна ...

— Метт Паркер

+1 Легко засліпити заклики не використовувати лінійні моделі тощо у часових рядах через проблеми з автокореляцією та потрапити в ARIMA, DLM тощо, коли LM, GLM тощо можуть бути досить потужними трохи обережності.

— Уейн

Ви пристосували модель до відмінностей, а це означає, що ви описуєте зміни рівнів насильства. Ви отримуєте відставання в 2 дні. Відставання вказує на пам’ять процесу. Іншими словами, зміна рівнів насильства сьогодні має певну залежність від зміни рівнів насильства за останні два дні. Для більш тривалих часових масштабів внесок випадкових впливів стає досить сильним, щоб більше не було чіткого зв'язку.

Чи позитивна автокореляція? Тоді зміна рівнів насильства сьогодні говорить про аналогічну зміну рівнів насильства за два дні. Це негативно? Тоді насильство може залишатися вищим протягом двох днів.

Звичайно, можливо, вам доведеться контролювати заплутані наслідки. Наприклад, після серйозного інциденту люди можуть мати більше шансів повідомити про незначні інциденти, але ця "сенсибілізація" піде вже через два дні.

— Йонас
джерело