R语言马尔可夫转换模型研究交通伤亡人数事故预测
原文链接:http://tecdat.cn/?p=12227
摘要
本文描述了R语言中马尔克夫转换模型的分析过程。首先,对模拟数据集进行详细建模。接下来,将马尔可夫转换模型拟合到具有离散响应变量的真实数据集。用于验证对这些数据集建模的不同方法。
模拟实例
示例数据是一个模拟数据集,用于展示如何检测两种不同模式的存在:一种模式中的响应变量高度相关,另一种模式中的响应仅取决于外生变量x。自相关观测值的区间为1到100、151到180 和251到300。每种方案的真实模型为:
图1中的曲线表明,在不存在自相关的区间中,响应变量y具有与协变量x相似的行为。拟合线性模型以研究协变量x如何解释变量响应y。
> summary(mod) Call:lm(formula = y ~ x, data = example)Residuals: Min 1Q Median 3Q Max-2.8998 -0.8429 -0.0427 0.7420 4.0337> plot(ts(example))
图1:模拟数据,y变量是响应变量
Coefficients:Estimate Std. Error t value Pr(>|t|)(Intercept) 9.0486 0.1398 64.709 < 2e-16 ***x 0.8235 0.2423 3.398 0.00077 ***Residual standard error: 1.208 on 298 degrees of freedomMultiple R-squared: 0.03731, Adjusted R-squared: 0.03408F-statistic: 11.55 on 1 and 298 DF, p-value: 0.0007701
协变量确实很重要,但是模型解释的数据行为非常糟糕。图1中的线性模型残差图表明,它们的自相关很强。残差的诊断图(图2)确认它们似乎不是白噪声,并且具有自相关关系。接下来,将自回归马尔可夫转换模型(MSM-AR)拟合到数据。自回归部分设置为1。为了指示所有参数在两个周期中都可以不同,将转换参数(sw)设置为具有四个分量的矢量。拟合线性模型时的最后一个值称为残差。
标准偏差。有一些选项可控制估算过程,例如用于指示是否完成了过程并行化的逻辑参数。
Markov Switching ModelAIC BIC logLik637.0736 693.479 -312.5368Coefficients:Regime 1---------Estimate Std. Error t value Pr(>|t|)(Intercept)(S) 0.8417 0.3025 2.7825 0.005394 **x(S) -0.0533 0.1340 -0.3978 0.690778y_1(S) 0.9208 0.0306 30.0915 < 2.2e-16 ***---Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Residual standard error: 0.5034675Multiple R-squared: 0.8375Standardized Residuals:Min Q1 Med Q3 Max-1.5153666657 -0.0906543311 0.0001873641 0.1656717256 1.2020898986Regime 2--------- Estimate Std. Error t value Pr(>|t|)(Intercept)(S) 8.6393 0.7244 11.9261 < 2.2e-16 ***x(S) 1.8771 0.3107 6.0415 1.527e-09 ***y_1(S) -0.0569 0.0797 -0.7139 0.4753---Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Residual standard error: 0.9339683Multiple R-squared: 0.2408Standardized Residuals:Min Q1 Med Q3 Max-2.31102193 -0.03317756 0.01034139 0.04509105 2.85245598Transition probabilities:Regime 1 Regime 2Regime 1 0.98499728 0.02290884Regime 2 0.01500272 0.97709116
模型mod.mswm具有协方差x非常显着的状态,而在其他情况下,自相关变量也非常重要。两者的R平方均具有较高的值。最后,转移概率矩阵具有较高的值,这表明很难从接通状态更改为另一个状态。该模型可以完美地检测每个状态的周期。残差看起来像是白噪声,它们适合正态分布。而且,自相关消失了。
图形显示已完美检测到每个方案的周期。
> plot(mod.mswm,expl="x")
交通事故
交通数据包含2010年西班牙交通事故的每日人数,平均每日温度和每日降水量。该数据的目的是研究死亡人数与气候条件之间的关系。由于在周末和工作日变量之间存在不同的行为,因此我们说明了在这种情况下使用广义马尔科夫转换模型的情况。 在此示例中,响应变量是计数变量。因此,我们拟合了泊松广义线性模型。
> summary(model)Call:glm(formula = NDead ~ Temp + Prec, family = "poisson", data = traffic)
Deviance Residuals:Min 1Q Median 3Q Max-3.1571 -1.0676 -0.2119 0.8080 3.0629Coefficients:Estimate Std. Error z value Pr(>|z|)(Intercept) 1.1638122 0.0808726 14.391 < 2e-16 ***Temp 0.0225513 0.0041964 5.374 7.7e-08 ***Prec 0.0002187 0.0001113 1.964 0.0495 *---Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1(Dispersion parameter for poisson family taken to be 1)Null deviance: 597.03 on 364 degrees of freedomResidual deviance: 567.94 on 362 degrees of freedomAIC: 1755.9Number of Fisher Scoring iterations: 5
下一步,使用拟合马尔可夫转换模型。为了适应广义马尔可夫转换模型,必须包含族参数,而且glm没有标准偏差参数,因此sw参数不包含其切换参数。
> Markov Switching ModelAIC BIC logLik1713.878 1772.676 -850.9388Coefficients:Regime 1---------Estimate Std. Error t value Pr(>|t|)(Intercept)(S) 0.7649 0.1755 4.3584 1.31e-05 ***Temp(S) 0.0288 0.0082 3.5122 0.0004444 ***Prec(S) 0.0002 0.0002 1.0000 0.3173105---Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Regime 2---------Estimate Std. Error t value Pr(>|t|)(Intercept)(S) 1.5659 0.1576 9.9359 < 2e-16 ***Temp(S) 0.0194 0.0080 2.4250 0.01531 *Prec(S) 0.0004 0.0002 2.0000 0.04550 *---Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Transition probabilities:Regime 1 Regime 2Regime 1 0.7287732 0.4913893Regime 2 0.2712268 0.5086107
两种状态都有显着的协变量,但降水协变量仅在这两种状态之一中是显着的。
Aproximate intervals for the coefficients. Level= 0.95(Intercept):Lower Estimation UpperRegime 1 0.4208398 0.7648733 1.108907Regime 2 1.2569375 1.5658582 1.874779Temp:Lower Estimation UpperRegime 1 0.012728077 0.02884933 0.04497059Regime 2 0.003708441 0.01939770 0.03508696Prec:Lower Estimation UpperRegime 1 -1.832783e-04 0.0001846684 0.0005526152Regime 2 -4.808567e-05 0.0004106061 0.0008692979
由于模型是通用线性模型的扩展,因此从类对象计算出图中的Pearson残差。该残差有白噪声的经典结构。残差不是自相关的,但它们与正态分布不太吻合。但是,Pearson残差的正态性不是广义线性模型验证的关键条件。
> plot(m1,which=2)
我们可以看到短时间内的状态分配,因为较大的状态基本上包含工作日。
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法
- Linux基础第四课——文件操作
- Linux基础第五课——用户管理
- Linux基础第六课——grep|awk|sort|uniq
- Python向上取整,向下取整以及四舍五入函数
- 使用requests模块post payload请求
- 解决HTTP status code is not handled or not allowed
- Day8.函数那些事儿
- mac下更改Jupyter notebook工作目录
- Scrapy中将item字段转为简体or繁体
- Mac OS 安装Fiddler
- Python requests模块解析XML
- python requests提示警告InsecureRequestWarning
- python进程池:multiprocessing.pool
- AttributeError: 'list' object has no attribute 'keys'
- raise ValueError("Cannot convert {0!r} to Excel".format(value))