Ressources pour l'analyse des séries chronologiques interrompues dans R

Je suis assez nouveau pour R. J'ai tenté de lire l'analyse des séries chronologiques et j'ai déjà terminé

1. Analyse des séries temporelles de Shumway et Stoffer et ses applications 3e édition ,
2. L'excellente prévision de Hyndman : principes et pratique
3. Avril Coghlan utilise R pour l'analyse des séries chronologiques
4. A. Ian McLeod et al Analyse des séries chronologiques avec R
5. Analyse des séries chronologiques appliquées du Dr Marcel Dettling

Edit: je ne sais pas comment gérer cela, mais j'ai trouvé une ressource utile en dehors de Cross Validated. Je voulais l'inclure ici au cas où quelqu'un tomberait sur cette question.

Analyse de régression segmentée des études de séries chronologiques interrompues dans la recherche sur l'utilisation des médicaments

J'ai une série chronologique univariée du nombre d'articles consommés (données de comptage) mesurés quotidiennement pendant 7 ans. Une intervention a été appliquée à la population étudiée à peu près au milieu de la série chronologique. Cette intervention ne devrait pas produire d'effet immédiat et le moment du début de l'effet est essentiellement inconnu.

En utilisant le forecastpackage de Hyndman, j'ai adapté un modèle ARIMA aux données de pré-intervention à l'aide auto.arima(). Mais je ne sais pas comment utiliser cet ajustement pour déterminer s'il y a eu un changement statistiquement significatif de tendance et quantifier le montant.

# for simplification I will aggregate to monthly counts
# I can later generalize any teachings the community supplies
count <- c(2464, 2683, 2426, 2258, 1950, 1548, 1108,  991, 1616, 1809, 1688, 2168, 2226, 2379, 2211, 1925, 1998, 1740, 1305,  924, 1487, 1792, 1485, 1701, 1962, 2896, 2862, 2051, 1776, 1358, 1110,  939, 1446, 1550, 1809, 2370, 2401, 2641, 2301, 1902, 2056, 1798, 1198,  994, 1507, 1604, 1761, 2080, 2069, 2279, 2290, 1758, 1850, 1598, 1032,  916, 1428, 1708, 2067, 2626, 2194, 2046, 1905, 1712, 1672, 1473, 1052,  874, 1358, 1694, 1875, 2220, 2141, 2129, 1920, 1595, 1445, 1308, 1039,  828, 1724, 2045, 1715, 1840)
# for explanatory purposes
# month <- rep(month.name, 7)
# year <- 1999:2005
ts <- ts(count, start(1999, 1))
train_month <- window(ts, start=c(1999,1), end = c(2001,1))
require(forecast)
arima_train <- auto.arima(train_month)
fit_month <- Arima(train_month, order = c(2,0,0), seasonal = c(1,1,0), lambda = 0)
plot(forecast(fit_month, 36)); lines(ts, col="red")

Existe-t-il des ressources traitant spécifiquement de l'analyse des séries chronologiques interrompues dans R? J'ai trouvé ce problème avec les STI dans SPSS mais je n'ai pas pu le traduire en R.

C'est ce qu'on appelle l'analyse des points de changement. Le package R changepointpeut le faire pour vous: voir la documentation ici (y compris les références à la littérature): http://www.lancs.ac.uk/~killick/Pub/KillickEckley2011.pdf

Je proposerais un modèle hiérarchique de mesures répétées. Cette méthode devrait fournir des résultats solides car chaque individu agira comme son propre contrôle. Essayez de vérifier ce lien depuis UCLA.

Pour une approche bayésienne, vous pouvez utiliser mcppour ajuster un modèle de Poisson ou binomial (parce que vous avez des comptes à partir de périodes à intervalle fixe) avec une autorégression appliquée aux résidus (dans l'espace logarithmique). Comparez ensuite un modèle à deux segments à un modèle à un segment à l'aide de la validation croisée.

Avant de commencer, notez que pour ce jeu de données, ce modèle ne convient pas bien et la validation croisée semble instable. Je m'abstiendrai donc d'utiliser les éléments suivants dans des scénarios à enjeux élevés, mais cela illustre une approche générale:

# Fit the change point model
library(mcp)
model_full = list(
  count ~ 1 + ar(1),  # intercept and AR(1)
  ~ 1  # New intercept
)
fit_full = mcp(model_full, data = df, family = poisson(), par_x = "year")


# Fit the null model
model_null = list(
  count ~ 1 + ar(1)  # just a stable AR(1)
)
fit_null = mcp(model_null, data = df, family = poisson(), par_x = "year")

# Compare predictive performance using LOO cross-validation
fit_full$loo = loo(fit_full)
fit_null$loo = loo(fit_null)
loo::loo_compare(fit_full$loo, fit_null$loo)

Pour le présent ensemble de données, cela se traduit par

       elpd_diff se_diff
model2    0.0       0.0 
model1 -459.1      64.3 

C'est-à-dire un elpd_diff/se_diffrapport d'environ 7 en faveur du modèle nul (pas de changement). Les améliorations possibles incluent:

• modéliser la tendance périodique en utilisant sin()ou cos().
• l'ajout d'informations préalables sur l'emplacement probable du changement, par exemple prior = list(cp_1 = dnorm(1999.8, 0.5).

En savoir plus sur la modélisation de l'autorégression, la comparaison de modèles et la définition des priorités du mcpsite Web . Divulgation: je suis le développeur de mcp.