Modelado de series de tiempo: concentracionesHola a todos,
Estoy buscando discutir el mejor enfoque de modelado en JMP Pro 16 para predecir concentraciones de sustancias químicas en series de tiempo en muestras individuales extrapoladas a la fecha de hoy. Aunque la función de serie de tiempo en JMP predecirá una variedad de datos que ilustran el rango en el que caerá la serie de tiempo, quiero ser más cuantitativo y predecir cómo se verían las concentraciones de muestras individuales. Por ejemplo, si tuviéramos 20 muestras en 2021, ¿cómo sería su distribución? ¿Podría luego usar más estas 20 muestras para estimar una media / media geométrica de la concentración en 2021?
¿O adopto un enfoque de red neuronal en el que predigo la concentración de mis datos químicos multivariados en función de que la fecha sea el factor x? Al intentar esto, obtengo concentraciones negativas a veces, lo que no es físicamente posible (pero el modelo obviamente no lo sabe). ¿Cómo puedo restringir los datos para predecir valores realistas basados en la distribución anterior de datos?
AnalíticaRe: Modelado de series temporales: concentracionesNo estoy seguro de si esto podría funcionar, pero dado que está interesado en difundir ... y ejecutar JMP Pro ... ¿tal vez probar la personalidad de regresión cuantílica en la plataforma Regresión generalizada? Puede ajustar el cuantil del 95% para la dispersión o el cuantil del 50% para la mediana. No estoy seguro de que ayude ... pero ¿vale la pena intentarlo?
Re: Modelado de series temporales: concentracionesJunto con lo que @P_Bartell sugerido, es posible que desee realizar una transformación logarítmica de Y primero antes de modelar, luego transformar su predicción a la inversa. Eso puede solucionar su problema de predicción negativa.
Aparte de eso, existen otros enfoques para modelar "cambios de distribución sobre X". Por ejemplo: Fit Life por X , Regresión generalizada , entre otros.
