Проверка на периодичность зашумленных биологических данных: значимость периодограммы? - PullRequest
Новая
       43

Проверка на периодичность зашумленных биологических данных: значимость периодограммы?

5 голосов
/ 21 октября 2011

Я пытаюсь проанализировать некоторые шумные данные временных рядов в R. Эти данные основаны на выбросах CO2 животными, и они показывают своего рода циклическую периодичность, которую я хотел бы охарактеризовать.Я хотел бы проверить гипотезы:

H0: нет циклического выброса CO2 (т. Е. Не более, чем случайный).

H1: существует характер выброса CO2 в циклах или импульсах.

Итак, для этого я импортировал данные в R, преобразовал их в класс временных рядов и построил их периодограмму. 

t25a <- read.table("data.txt", header=TRUE, sep="\t")
t1 <- ts(t25a$Co2)
plot(t1)
spec.pgram(t1, spans=4, log="no")

Вот как это выглядит снеобработанные данные, нанесенные сверху, и периодограмма внизу:

R periodogram of time series CO2 data

На нижнем рисунке я вижу четыре или пять несколько различающихся пиков, указывающих частотный компонент в данных.У меня вопрос - все ли они одинаково «важны»?Есть ли способ проверить, значительно ли наблюдаемые пики отличаются друг от друга или от прогнозов нулевой гипотезы?Все, что я знаю, как найти частоту, связанную с этими пиками, но я бы хотел более объективный метод для определения того, сколько «значимых» пиков действительно имеется в данных.

1 Ответ

1 голос
/ 21 октября 2011

Одним из вариантов будет симуляция наборов данных в соответствии с вашей нулевой гипотезой (не имейте периодичности, которую вы ищете, но сохраняйте другие характеристики временных рядов).Если у вас есть числовая статистика теста (число пиков или другая мера), то вы можете вычислить ее для каждого из множества смоделированных наборов данных, и это даст вам распределение выборки, просто сравните статистику теста для ваших фактических данных с выборкой.распределение.Если у вас нет прямой числовой статистики теста, то вы можете подумать о проведении визуального теста, см .: 

 Buja, A., Cook, D. Hofmann, H., Lawrence, M. Lee, E.-K., Swayne,
 D.F and Wickham, H. (2009) Statistical Inference for exploratory
 data analysis and model diagnostics Phil. Trans. R. Soc. A 2009
 367, 4361-4383 doi: 10.1098/rsta.2009.0120

Функция vis.test в пакете TeachingDemos дляR помогает в реализации этого теста (но есть и другие способы).

...