J'utilise R. J'ai 25 variables sur 15 points de temps, avec 3 répétitions ou plus par variable par point de temps. J'ai melt
ed dans un data.frame
, que je peux tracer heureusement en utilisant (entre autres choses) la commande facet_wrap()
de ggplot. Ma trame de données fondue s'appelle lis
; voici sa tête et la queue, donc vous aurez une idée des données:R + ggplot: comment utiliser un lisseur personnalisé (Processus gaussien)
> head(lis)
time variable value
1 10 SELL 8.170468
2 10 SELL 8.215892
3 10 SELL 8.214246
4 15 SELL 8.910654
5 15 SELL 7.928537
6 15 SELL 8.777784
> tail(lis)
time variable value
145 1 GAS5 10.92248
146 1 GAS5 11.37983
147 1 GAS5 10.95310
148 1 GAS5 11.60476
149 1 GAS5 11.69092
150 1 GAS5 11.70777
je peux obtenir une belle parcelle de toutes les séries chronologiques, ainsi que d'une spline ajustée et 95% des intervalles de confiance à l'aide des commandes ggplot2 suivantes: Le problème est que le lisseur n'est pas à mon goût - les intervalles de confiance de 95% sont loin. Je voudrais utiliser les processus gaussiens (GP) pour obtenir une meilleure régression et estimation de la covariance pour mes séries temporelles.
je peux adapter à un médecin généraliste en utilisant quelque chose comme
library(tgp)
out <- bgp(X, Y, XX = seq(0, 200, length = 100))
qui prend du temps X
, observations Y
et fait des prédictions à chaque point XX
. L'objet out
contient un tas de choses sur ces prédictions, y compris une matrice de covariance que je peux utiliser à la place de l'intervalle de confiance de 95% que je reçois (je pense?) De ns()
.
Le problème est que je ne suis pas comment envelopper cette fonction pour faire l'interface avec ggplot2::stat_smooth()
. Toutes les idées ou indications sur la façon de procéder seraient grandement appréciées!