मेरे पास अमेरिका में एक राज्य के लिए आत्महत्या से संबंधित मौतों के 17 साल (1995 से 2011) के आंकड़े हैं, आत्महत्याओं और महीनों / मौसमों के बारे में बहुत सारी पौराणिक कथाएँ हैं, जिनमें से बहुत विरोधाभासी हैं, और साहित्य की '' ve की समीक्षा की गई, मुझे परिणामों में उपयोग किए गए तरीकों या आत्मविश्वास की स्पष्ट समझ नहीं है।
इसलिए मैं यह देखने के लिए तैयार हूं कि क्या मैं यह निर्धारित कर सकता हूं कि मेरे डेटा सेट के भीतर किसी भी महीने आत्महत्याएं कम या ज्यादा हो सकती हैं। मेरे सभी विश्लेषण आर में किए गए हैं।
आंकड़ों में आत्महत्याओं की कुल संख्या 13,909 है।
यदि आप वर्ष को सबसे कम आत्महत्याओं के साथ देखते हैं, तो वे 309/365 दिन (85%) पर होते हैं। यदि आप वर्ष को सबसे अधिक आत्महत्याओं के साथ देखते हैं, तो वे 339/365 दिन (93%) पर होते हैं।
इसलिए प्रत्येक वर्ष आत्महत्या के बिना उचित संख्या में दिन होते हैं। हालांकि, जब सभी 17 वर्षों में एकत्रित होते हैं, तो वर्ष के प्रत्येक दिन आत्महत्याएं होती हैं, जिसमें 29 फरवरी भी शामिल है (हालांकि औसत 38 होने पर केवल 5)।
बस साल के प्रत्येक दिन आत्महत्या की संख्या को जोड़ने से एक स्पष्ट मौसमीता (मेरी आँख के लिए) का संकेत नहीं मिलता है।
मासिक स्तर पर एकत्र, प्रति माह औसत आत्महत्या से लेकर:
(m = 65, sd = 7.4, से m = 72, sd = 11.1)
मेरा पहला दृष्टिकोण सभी वर्षों के लिए महीने द्वारा निर्धारित डेटा को एकत्र करना और शून्य परिकल्पना के लिए अपेक्षित संभावनाओं की गणना करने के बाद एक ची-स्क्वायर परीक्षण करना था, कि महीने तक आत्महत्या की गिनती में कोई व्यवस्थित विचरण नहीं था। मैंने प्रत्येक महीने की संभावनाओं की गणना करते हुए दिनों की संख्या को ध्यान में रखा (और लीप वर्ष के लिए फरवरी को समायोजित करना)।
ची-वर्ग के परिणामों ने महीने तक कोई महत्वपूर्ण भिन्नता नहीं होने का संकेत दिया:
# So does the sample match expected values?
chisq.test(monthDat$suicideCounts, p=monthlyProb)
# Yes, X-squared = 12.7048, df = 11, p-value = 0.3131
नीचे दी गई छवि प्रति माह कुल संख्या को इंगित करती है। क्षैतिज लाल रेखाएं क्रमशः फरवरी, 30 दिन के महीनों और 31 दिन के महीनों के लिए अपेक्षित मूल्यों पर तैनात हैं। ची-स्क्वायर परीक्षण के अनुरूप, कोई भी महीना अपेक्षित गणना के लिए 95% विश्वास अंतराल के बाहर नहीं है।
मुझे लगा कि जब तक मैं समय श्रृंखला डेटा की जांच शुरू नहीं करता, तब तक मैं किया गया था। जैसा कि मैं कल्पना करता हूं कि बहुत से लोग करते हैं, मैंने stl
आँकड़े पैकेज में फ़ंक्शन का उपयोग करके गैर-पैरामीट्रिक मौसमी अपघटन विधि के साथ शुरू किया था ।
समय श्रृंखला डेटा बनाने के लिए, मैंने एकत्रित मासिक डेटा के साथ शुरुआत की:
suicideByMonthTs <- ts(suicideByMonth$monthlySuicideCount, start=c(1995, 1), end=c(2011, 12), frequency=12)
# Plot the monthly suicide count, note the trend, but seasonality?
plot(suicideByMonthTs, xlab="Year",
ylab="Annual monthly suicides")
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
1995 62 47 55 74 71 70 67 69 61 76 68 68
1996 64 69 68 53 72 73 62 63 64 72 55 61
1997 71 61 64 63 60 64 67 50 48 49 59 72
1998 67 54 72 69 78 45 59 53 48 65 64 44
1999 69 64 65 58 73 83 70 73 58 75 71 58
2000 60 54 67 59 54 69 62 60 58 61 68 56
2001 67 60 54 57 51 61 67 63 55 70 54 55
2002 65 68 65 72 79 72 64 70 59 66 63 66
2003 69 50 59 67 73 77 64 66 71 68 59 69
2004 68 61 66 62 69 84 73 62 71 64 59 70
2005 67 53 76 65 77 68 65 60 68 71 60 79
2006 65 54 65 68 69 68 81 64 69 71 67 67
2007 77 63 61 78 73 69 92 68 72 61 65 77
2008 67 73 81 73 66 63 96 71 75 74 81 63
2009 80 68 76 65 82 69 74 88 80 86 78 76
2010 80 77 82 80 77 70 81 89 91 82 71 73
2011 93 64 87 75 101 89 87 78 106 84 64 71
और फिर stl()
अपघटन किया
# Seasonal decomposition
suicideByMonthFit <- stl(suicideByMonthTs, s.window="periodic")
plot(suicideByMonthFit)
इस बिंदु पर मैं चिंतित हो गया क्योंकि यह मुझे प्रतीत होता है कि एक मौसमी घटक और एक प्रवृत्ति दोनों है। बहुत इंटरनेट शोध के बाद मैंने रोब हंडमैन और जॉर्ज अथानसोपोलोस के निर्देशों का पालन करने का फैसला किया, जैसा कि उनके ऑन-लाइन पाठ "पूर्वानुमान: सिद्धांतों और अभ्यास" में विशेष रूप से मौसमी एआरआईएमए मॉडल को लागू करने के लिए दिया गया था।
मैं प्रयोग किया जाता है adf.test()
और kpss.test()
के लिए आकलन करने के लिए stationarity और परस्पर विरोधी परिणाम मिला है। उन दोनों ने शून्य परिकल्पना को खारिज कर दिया (यह देखते हुए कि वे विपरीत परिकल्पना का परीक्षण करते हैं)।
adfResults <- adf.test(suicideByMonthTs, alternative = "stationary") # The p < .05 value
adfResults
Augmented Dickey-Fuller Test
data: suicideByMonthTs
Dickey-Fuller = -4.5033, Lag order = 5, p-value = 0.01
alternative hypothesis: stationary
kpssResults <- kpss.test(suicideByMonthTs)
kpssResults
KPSS Test for Level Stationarity
data: suicideByMonthTs
KPSS Level = 2.9954, Truncation lag parameter = 3, p-value = 0.01
मैंने तब पुस्तक में एल्गोरिथ्म का उपयोग किया, यह देखने के लिए कि क्या मैं भिन्नता की मात्रा निर्धारित कर सकता हूं जो कि प्रवृत्ति और मौसम दोनों के लिए आवश्यक है। मैं nd = 1, ns = 0 के साथ समाप्त हुआ।
मैं फिर भागा auto.arima
, जिसने एक ऐसा मॉडल चुना, जिसमें एक प्रवृत्ति और एक मौसमी घटक दोनों के साथ एक "बहाव" प्रकार स्थिर था।
# Extract the best model, it takes time as I've turned off the shortcuts (results differ with it on)
bestFit <- auto.arima(suicideByMonthTs, stepwise=FALSE, approximation=FALSE)
plot(theForecast <- forecast(bestFit, h=12))
theForecast
> summary(bestFit)
Series: suicideByMonthFromMonthTs
ARIMA(0,1,1)(1,0,1)[12] with drift
Coefficients:
ma1 sar1 sma1 drift
-0.9299 0.8930 -0.7728 0.0921
s.e. 0.0278 0.1123 0.1621 0.0700
sigma^2 estimated as 64.95: log likelihood=-709.55
AIC=1429.1 AICc=1429.4 BIC=1445.67
Training set error measures:
ME RMSE MAE MPE MAPE MASE ACF1
Training set 0.2753657 8.01942 6.32144 -1.045278 9.512259 0.707026 0.03813434
अंत में, मैंने फिट से अवशेषों को देखा और अगर मैं इसे सही ढंग से समझता हूं, क्योंकि सभी मूल्य सीमा सीमा के भीतर हैं, तो वे सफेद शोर की तरह व्यवहार कर रहे हैं और इस तरह मॉडल काफी उचित है। मैंने पाठ में वर्णित के रूप में एक पोर्टमेन्ट्यू परीक्षण चलाया , जिसका मूल्य 0.05 से ऊपर था, लेकिन मुझे यकीन नहीं है कि मेरे पास पैरामीटर सही हैं।
Acf(residuals(bestFit))
Box.test(residuals(bestFit), lag=12, fitdf=4, type="Ljung")
Box-Ljung test
data: residuals(bestFit)
X-squared = 7.5201, df = 8, p-value = 0.4817
वापस जाने और फिर से अरिमा मॉडलिंग पर अध्याय पढ़ने के बाद, मुझे अब एहसास हुआ कि auto.arima
मॉडल की प्रवृत्ति और सीज़न का चुनाव किया। और मैं यह भी महसूस कर रहा हूं कि पूर्वानुमान विशेष रूप से विश्लेषण नहीं है जो मुझे शायद करना चाहिए। मैं जानना चाहता हूं कि क्या एक विशिष्ट महीने (या आमतौर पर वर्ष का अधिक समय) को उच्च जोखिम वाले महीने के रूप में चिह्नित किया जाना चाहिए। ऐसा लगता है कि पूर्वानुमान साहित्य में उपकरण अत्यधिक प्रासंगिक हैं, लेकिन शायद मेरे प्रश्न के लिए सबसे अच्छा नहीं है। किसी भी और सभी इनपुट की बहुत सराहना की जाती है।
मैं एक सीएसवी फ़ाइल के लिए एक लिंक पोस्ट कर रहा हूं जिसमें दैनिक गणना शामिल है। फ़ाइल इस प्रकार है:
head(suicideByDay)
date year month day_of_month t count
1 1995-01-01 1995 01 01 1 2
2 1995-01-03 1995 01 03 2 1
3 1995-01-04 1995 01 04 3 3
4 1995-01-05 1995 01 05 4 2
5 1995-01-06 1995 01 06 5 3
6 1995-01-07 1995 01 07 6 2
गणना उस दिन हुई आत्महत्याओं की संख्या है। "t" तालिका (5533) में 1 से लेकर कुल दिनों तक का एक संख्यात्मक अनुक्रम है।
मैंने नीचे टिप्पणियों पर ध्यान दिया है और मॉडलिंग आत्महत्या और मौसम से संबंधित दो चीजों के बारे में सोचा है। सबसे पहले, मेरे सवाल के संबंध में, महीने बस मौसम के बदलाव को चिह्नित करने के लिए समीप हैं, मुझे नहीं पता है कि किसी महीने में मैं दूसरों से अलग हूं या नहीं (यह बेशक एक दिलचस्प सवाल है, लेकिन यह वह नहीं है जो मैंने निर्धारित किया है) छान - बीन करना)। इसलिए, मुझे लगता है कि यह सभी महीनों के पहले 28 दिनों का उपयोग करके महीनों को बराबर करने के लिए समझ में आता है । जब आप ऐसा करते हैं, तो आप थोड़ा खराब हो जाते हैं, जिसे मैं सीज़न की कमी की ओर अधिक सबूत के रूप में व्याख्या कर रहा हूं। नीचे दिए गए आउटपुट में, पहला फिट महीनों की सही संख्या के साथ महीनों का उपयोग करके नीचे दिए गए उत्तर से एक प्रजनन है, इसके बाद आत्महत्या सेट होती है ।जिसमें सभी महीनों के पहले 28 दिनों से आत्महत्या की गणना की गई थी। मुझे इस बात में दिलचस्पी है कि लोग क्या समायोजन के बारे में सोचते हैं या नहीं यह समायोजन एक अच्छा विचार है, आवश्यक नहीं है, या हानिकारक है?
> summary(seasonFit)
Call:
glm(formula = count ~ t + days_in_month + cos(2 * pi * t/12) +
sin(2 * pi * t/12), family = "poisson", data = suicideByMonth)
Deviance Residuals:
Min 1Q Median 3Q Max
-2.4782 -0.7095 -0.0544 0.6471 3.2236
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 2.8662459 0.3382020 8.475 < 2e-16 ***
t 0.0013711 0.0001444 9.493 < 2e-16 ***
days_in_month 0.0397990 0.0110877 3.589 0.000331 ***
cos(2 * pi * t/12) -0.0299170 0.0120295 -2.487 0.012884 *
sin(2 * pi * t/12) 0.0026999 0.0123930 0.218 0.827541
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance: 302.67 on 203 degrees of freedom
Residual deviance: 190.37 on 199 degrees of freedom
AIC: 1434.9
Number of Fisher Scoring iterations: 4
> summary(shortSeasonFit)
Call:
glm(formula = shortMonthCount ~ t + cos(2 * pi * t/12) + sin(2 *
pi * t/12), family = "poisson", data = suicideByShortMonth)
Deviance Residuals:
Min 1Q Median 3Q Max
-3.2414 -0.7588 -0.0710 0.7170 3.3074
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 4.0022084 0.0182211 219.647 <2e-16 ***
t 0.0013738 0.0001501 9.153 <2e-16 ***
cos(2 * pi * t/12) -0.0281767 0.0124693 -2.260 0.0238 *
sin(2 * pi * t/12) 0.0143912 0.0124712 1.154 0.2485
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance: 295.41 on 203 degrees of freedom
Residual deviance: 205.30 on 200 degrees of freedom
AIC: 1432
Number of Fisher Scoring iterations: 4
दूसरी चीज जो मैंने अधिक देखी है वह है सीजन के लिए महीने को प्रॉक्सी के रूप में उपयोग करने का मुद्दा। शायद मौसम का एक बेहतर संकेतक दिन के उजाले घंटे की संख्या है जो एक क्षेत्र प्राप्त करता है। यह डेटा एक उत्तरी राज्य से आता है जिसमें दिन के उजाले में पर्याप्त भिन्नता है। नीचे वर्ष 2002 से दिन के उजाले का एक ग्राफ है।
जब मैं वर्ष के महीने के बजाय इस डेटा का उपयोग करता हूं, तो प्रभाव अभी भी महत्वपूर्ण है, लेकिन प्रभाव बहुत छोटा है। अवशिष्ट अवतरण उपरोक्त मॉडलों की तुलना में बहुत बड़ा है। यदि डेलाइट घंटे सीजन के लिए एक बेहतर मॉडल है, और फिट उतना अच्छा नहीं है, तो क्या यह बहुत कम मौसमी प्रभाव का सबूत है?
> summary(daylightFit)
Call:
glm(formula = aggregatedDailyCount ~ t + daylightMinutes, family = "poisson",
data = aggregatedDailyNoLeap)
Deviance Residuals:
Min 1Q Median 3Q Max
-3.0003 -0.6684 -0.0407 0.5930 3.8269
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 3.545e+00 4.759e-02 74.493 <2e-16 ***
t -5.230e-05 8.216e-05 -0.637 0.5244
daylightMinutes 1.418e-04 5.720e-05 2.479 0.0132 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for poisson family taken to be 1)
Null deviance: 380.22 on 364 degrees of freedom
Residual deviance: 373.01 on 362 degrees of freedom
AIC: 2375
Number of Fisher Scoring iterations: 4
मैं दिन के उजाले घंटे पोस्ट कर रहा हूँ अगर कोई भी इस के साथ खेलना चाहता है। ध्यान दें, यह एक लीप वर्ष नहीं है, इसलिए यदि आप लीप वर्षों के लिए मिनटों में डालना चाहते हैं, तो डेटा को एक्सट्रपलेशन या पुनर्प्राप्त करें।
[ हटाए गए उत्तर से कथानक जोड़ने के लिए संपादित करें (उम्मीद है कि rnso मुझे इस प्रश्न के हटाए गए उत्तर में कथानक को आगे बढ़ाने में कोई आपत्ति नहीं है। svannoy, यदि आप यह सब नहीं चाहते हैं, तो आप इसे वापस कर सकते हैं)