Questions tagged «point-process»

在经济学领域（我认为），我们有ARIMA和GARCH用于规则间隔时间序列，而Poisson，Hawkes用于建模点过程，那么尝试对不规则（不均匀）间隔时间序列进行建模的尝试-是否存在（至少）任何常见实践？ （如果您对该主题有一定的了解，还可以展开相应的Wiki文章。） 版本（关于缺失值和不规则间隔的时间序列）： 回答@Lucas Reis评论。如果测量或实现变量之间的间隙由于（例如）泊松过程而间隔开，则这种正则化的空间就不大了，但它存在一个简单的过程：t(i)是变量x的第i个时间索引（x的第i个时间）实现x），则限定间隙的测量值作为时间之间g(i)=t(i)-t(i-1)，那么我们就离散g(i)使用常数c，dg(i)=floor(g(i)/c并与原来的时间序列的老观测之间的空白值的数量创建新的时间序列i和i+1等于DG（我），但问题是，这该过程很容易产生时间序列，而缺失数据的数量远大于观测值的数量，因此，对缺失观测值的合理估计可能是不可能的，而且可能太大c删除“时间结构/时间依赖性等”。分析的问题（极端情况是通过将c>=max(floor(g(i)/c))简单地将不规则间隔的时间序列分解为规则间隔而给出的 Edition2（只是为了好玩）：图像说明了在不规则间隔的时间序列甚至点过程中缺失的值。

45 time-series  garch  poisson-process  point-process  unevenly-spaced-time-series 

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 1T1=t11,t12,...,t1nT1=t11,t21,...,tn1T^1 = t^1_1, t^1_2, ..., t^1_nT2=t21,t22,...,t2mT2=t12,t22,...,tm2T^2 = t^2_1, t^2_2, ..., t^2_mT1T1T^1T2T2T^2 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t1ntn1t^1_n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。T2T2T^2t1ntn1t^1_n 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），T2T2T^2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）。T1T1T^1 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 2T1T1T^1T2T2T^2T2T2T^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 1T2∗T2∗T^{2*}T1T1T^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 1T2∗T2∗T^{2*}T1T1T^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？ …

15 point-process  cross-correlation 

我有一个2D正方形，里面有一组点，例如1000点。我需要一种方法来查看正方形内的点的分布是否散布（或或多或少均匀分布），或者它们倾向于在正方形内的某个点聚集在一起。 我需要一种数学/统计（非编程）方法来确定这一点。我在Google上搜索，发现了诸如拟合优度，Kolmogorov等之类的东西，只是想知道是否还有其他方法可以实现这一目标。需要这个用于课堂论文。 输入：2D正方形和1000点。输出：是/否（是=均匀分布，否=在某些地方聚集在一起）。

11 distributions  probability  spatial  point-process 

我想对几个点过程（或一个标记点​​过程）执行平方计数分析，然后应用一些降维技术。 这些标记分布不均，即某些标记经常出现，而有些则很少。因此，我不能简单地将2D空间划分为规则的网格，因为频率较高的标记将“淹没”频率较低的标记，从而掩盖了它们的外观。 因此，我尝试构建网格，以使每个像元中最多包含N个点（为此，我将每个像元简单地递归地划分为四个较小（大小相同）的像元，直到每个像元中不超过N个点为止。它）。 您如何看待这种“规范化”技术？有没有做这种事情的标准方法？

9 multivariate-analysis  normalization  ecology  point-process 

我有同一时间段内发生的事件的数据集。每个事件都有一个类型（很少有不同类型，少于十个）和一个位置，以2D点表示。 我想检查事件类型之间或类型与位置之间是否存在任何关联。例如，也许类型A的事件通常不会发生，而类型B的事件却不会发生。也许在某些地区，大多数是C型事件。 我可以使用哪种工具来执行此操作？作为统计分析的新手，我的第一个想法是在此数据集上使用某种PCA（主成分分析），以查看每种类型的事件是否具有自己的成分，或者某些事件是否共享相同的成分（即相关的成分）？ 我不得不提到，我的数据集约为500'000点，因此使处理起来有些困难。（x ，y，吨ÿp ë ）(x,y,type)(x, y, type) 编辑：如下面的答案和评论中所述，方法是将此模型建模为标记点过程，然后使用R来完成所有繁重的工作，如本研讨会报告中的详细说明：http：// /www.csiro.edu.au/resources/Spatial-Point-Patterns-in-R.html

9 correlation  pca  multivariate-analysis  point-process