我想对我使用的一种分析方法提出建议,以了解它在统计上是否合理。
我已经测量了两个点过程和,我想确定如果中的事件以某种方式与T ^ 2中的事件相关。 T 2=t 2 1,t 2 2,...。。。,t 2 m T 1
我在文献中发现的一种方法是构造互相关直方图:对于每个我们发现在给定的时间范围内(前后),所有T ^ 2事件的延迟t ^ 1_n),然后我们构建所有这些延迟的直方图。
如果两个过程不相关,那么我会期待一个平坦的直方图,因为在T ^ 1中的某个事件之后(或之前),某个事件在所有延迟下的发生概率均相等。另一方面,如果直方图中有一个峰值,则表明两点过程在某种程度上相互影响(或至少具有一些共同的输入)。
现在,这很好,但是我如何确定直方图是否确实有一个峰值(我必须说,对于我的特定数据集,它们显然是平坦的,但是采用统计方式仍会很好确认)?
因此,在这里,我已经完成了:我已经重复了多次生成直方图的过程,将保持原样,并使用了的“改组”版本。为了改组我计算了所有事件之间的间隔,将它们改组并求和以重新构成新的积分过程。在RI中,只需执行以下操作:T 2 T 2
times2.swp <- cumsum(sample(diff(times2)))
因此,我得到了1000个新的直方图,向我展示了中事件的密度与相比。 T 1
对于这些直方图的每个bin(它们都以相同的方式进行了装箱),我计算了95%的直方图密度。换句话说,例如,在5 ms的时间延迟中,在95%的改组点过程中,在的事件之后在中找到事件的概率为x 。 T 1
然后,我将所有时间延迟都采用此95%的值,并将其用作某个“置信度极限”(可能这不是正确的术语),以便在原始直方图中超过该极限的任何值都可以视为“真”峰”。
问题1:此方法在统计上是否正确?如果没有,您将如何解决这个问题?
问题2:我想看看的另一件事是我的数据是否具有“更长”的关联类型。例如,两点过程中事件发生率可能有类似的变化(请注意,它们的发生率可能完全不同),但是我不确定该怎么做。我想到了使用某种平滑内核为每个点过程创建一个“信封”,然后对两个包络线进行互相关分析。您能否建议其他可能的分析类型?
谢谢您,对于这个很长的问题感到抱歉。