高度不规则的时间序列

我有一些不同鱼类种群的数据，这些数据是在大约5年的时间内采样的，但模式非常不规则。有时样本之间有几个月的间隔，有时一个月内有多个样本。也有很多0计数

如何处理此类数据？

我可以很容易地在R中绘制它的图形，但是这些图形并不是很特别，因为它们非常颠簸。

在建模方面-将物种建模为各种事物的函数-也许是混合模型（又称为多级模型）。

欢迎任何参考或想法

回应评论的一些细节

大约有15种。

我试图既了解每条鱼的任何趋势或季节性，又看一看物种之间的相互关系（我的客户最初想要一个简单的相关表）

目标是描述性和分析性的，而非预测性的

进一步的编辑：我确实找到了K. Rehfield等人的论文，该论文建议使用高斯核估计高度不规则时间序列的ACF

http://www.nonlin-processes-geophys.net/18/389/2011/npg-18-389-2011.pdf

time-series multilevel-analysis unevenly-spaced-time-series

— 彼得·弗洛姆
source

我不是回答您问题的合适人选，但多层模型听起来很合理。是否暗示样本有多大，种类有多少以及零计数是如何产生的？（在最后一点上，样本是尝试随机样本，还是有偏见，就像您刚刚从鲈鱼垂钓比赛中得到的计数，可能不会产生任何cat鱼一样？）

— 韦恩

“交易”是什么意思？有关应对不规则时间的一些想法，请在“ +不规则+时间”

— 呜呼

您可以澄清抽样和目标吗？例如，这是捕获-重新捕获吗？它是否在特定时间段内放置在流中而没有释放的网？您是否要估计未来的样本量或从中抽取样本的人数更多？样本来自1个还是多个地点？不规则的时间序列没有什么错，但是很难理解采样事件之间以及样本与某些目标变量（例如模型响应）之间的联系。此外，目标本质上是预测性的还是描述性的？

— Iterator

为何有人拒绝这个问题？为什么不尝试帮助提出更好的问题或答案？

— Iterator

@Iterator因为即使在“进一步编辑”之后，这里也没有明确的问题。下注（在未听完我的第一条评论之后未发表的情况下进行）是为了鼓励OP进行必要的改进，并表示问题仅是部分形成的状态。并不是每个读者（也不是mods）来猜测意图是什么！

— ub

Answers:

我花了很多时间为间隔不均匀的时间序列建立通用框架：http : //www.eckner.com/research.html

另外，我写了一篇关于不均匀间隔时间序列的趋势和季节性估计的论文。

希望对您有所帮助！

— 安德烈亚斯·埃克纳（Andreas Eckner）
source

谢谢！这种分析是很久以前的，我不再做，但是类似的事情可能会再次出现。其他人确实在这些线程中进行了大量搜索，因此不会浪费您的评论。

— 彼得·富勒姆

感谢您提供的信息（确实是几年后，互联网上有人在寻找它！），但是链接已失效。

— 2014年

我不知道混合模型是否非常合适（使用随机效应结构为线性预测变量的标准软件包），除非您认为所有时间点的数据都应在某种意义上相互交换（在这种情况下）不规则的间隔是没有问题的）-它实际上不是以合理的方式对时间自相关建模。您可能会诱骗lmer（）做某种自我攻击的事情，但是您现在到底能做些什么使我逃脱了（我可能并没有想清楚）。另外，我不确定在混合模型场景中会引起自相关的“分组变量”是什么。

如果时间自相关是一个令人讨厌的参数，并且您不希望它是如此如果您的数据很大，则可以将数据分为相互关联的时期（例如，在没有数据的月份分离时间序列），并将其视为独立的副本。然后，您可以在此修改后的数据集上执行类似GEE的操作，其中“簇”由您所在的时期来定义，并且工作相关矩阵的项取决于观察值相距多远。如果您的回归函数正确，那么即使相关结构指定不正确，您仍将获得回归系数的一致估计。这也将使您可以使用对数链接（例如，在泊松回归中通常会使用对数链接）将其建模为计数数据。您还可以在物种之间建立一些微分的相关性，其中每个时间点被视为物种计数的多元向量，时间点之间在时间上具有一定的衰减关系。这将需要一些预处理来欺骗标准GEE软件包来执行此操作。

$Y_{s},Y_{t}$ $u,v$

c o v (Y_{s}, Y_{t}) = f_{θ} (s, t, u, v)

${\rm cov}(Y_{s}, Y_{t}) = f_{\theta}(s,t,u,v)$

$f$ $\theta$

— 巨集
source

谢谢@macro。我认为混合模型可能是可行的，因为它们经常用于时间嵌套的数据。我对自相关建模不太感兴趣-也就是说，这很麻烦。我同意时间不会是线性的，但是我可以添加时间的影响（不确定哪一个，但是我可以探索它）。我没有MPLUS，但我有R和SAS。

— 彼得·富勒姆

我只是说标准混合模型在这种情况下可能不合适。如果您不认为时间点在相关性方面是可交换的，则随机截距是无用的（即，它只能在“可交换相关性”世界中提供与您真正的相关性结构的近似值）。包括时间上的随机斜率，表明您认为轨迹随着时间的流逝“向某处前进”-由于该图对您来说不是很照亮，因此可能不会发生。我承认，尽管如此，您也许可以欺骗lmer（）做一些更适当的事情。

— 宏

+1一个好的，简洁的答案，解决了我想解决的所有主要问题，以及更多。关于R中的软件包，Google搜索CRAN，以查找[泊松回归时间]可以得到多个软件包。该surveillance包装可以具有期望的功能。这种模型在生态学研究中并不罕见，因此最好在CRAN的生态学角落中找到一个好的包装。

— Iterator