Modelli di serie temporali: concentrazioniCiao a tutti,
Sto cercando di discutere il miglior approccio di modellazione in JMP Pro 16 per prevedere le concentrazioni temporali delle sostanze chimiche nei singoli campioni estrapolati alla data odierna. Sebbene la funzione delle serie temporali in JMP preveda una diffusione di dati che illustrano l'intervallo in cui rientreranno le serie temporali, voglio ottenere più quantitativi e prevedere come sarebbero le concentrazioni dei singoli campioni. Ad esempio, se avessimo 20 campioni nel 2021, come sarebbe la loro diffusione? Potrei quindi utilizzare ulteriormente questi 20 campioni per stimare una mediana/media geometrica della concentrazione nel 2021?
Oppure adotto un approccio di rete neurale in cui prevedo la concentrazione dei miei dati chimici multivariati in base alla data che è il fattore x? Al tentativo di questo ottengo a volte concentrazioni negative, il che non è fisicamente possibile (ma il modello ovviamente non lo sa). Come vincolare i dati per prevedere valori realistici in base alla precedente diffusione dei dati?
AnalisiRe: Modellazione di serie temporali: concentrazioniNon sono sicuro che possa funzionare, ma dal momento che sei interessato alla diffusione... e all'esecuzione di JMP Pro... potresti provare la personalità della regressione quantile nella piattaforma di regressione generalizzata? Potresti adattare il quantile al 95% per lo spread o il quantile al 50% per la mediana. Non sono sicuro che possa essere d'aiuto... ma vale la pena provare?
Re: Modellazione di serie temporali: concentrazioniInsieme a cosa? @P_Bartell suggerito, potresti voler trasformare in log Y prima di modellare, quindi trasformare inversamente la tua previsione. Questo potrebbe risolvere il tuo problema di previsione negativa.
Oltre a questo, ci sono altri approcci per modellare "cambiamenti di distribuzione su X". Per esempio: Fit Life di X , Regressione generalizzata , tra gli altri.
