MerQuR+Başvuru Kitabı

104. Kesintili zaman serisi ve joinpoint regresyonu

Şablon kimliği: joinpoint_its · Kategori: zaman_serisi · Dil: R · Dosya: pro/sablonlar/zaman_serisi/joinpoint_its.R (satır 1–602; üstbilgi 1–273) · Örnek veri: _ornek/joinpoint_its_sicily.csv · Paketler: stats, sandwich 3.1-3, lmtest 0.9-40, segmented 2.2-2 (R 4.5.3)

104.1 Ne işe yarar

Şablonun iki kipi vardır; ikisi de bir zaman serisinde eğilimin değiştiği yeri ve değişimin büyüklüğünü ölçer, ama değişimin zamanı için farklı bilgi varsayar.

  1. Kesintili zaman serisi (ITS, kip = its). Müdahalenin zamanı bellidir (bir yasak, bir kampanya, bir yönetmelik). Şablon müdahaleden önceki eğilimi kestirir, müdahalede düzeyin ve eğimin ne kadar değiştiğini segmentli regresyonla ölçer ve müdahale olmasaydı serinin nereye gideceğini (karşı-olgusal eğilim) çizer:
g\big(E[y_t]\big)=\beta_0+\beta_1\,t+\beta_2\,D_t+\beta_3\,(t-t_0)\,D_t+\sum_{k=1}^{H}\Big[\gamma_k\sin\tfrac{2\pi k\,m_t}{s}+\delta_k\cos\tfrac{2\pi k\,m_t}{s}\Big]\;\big(+\ln N_t\ \text{dengeleme}\big)
  • g: bağlantı işlevi; Poisson ve yarı-Poisson ailede \ln, Gauss ailede özdeşlik.
  • t: zaman; D_t: müdahale göstergesi (0 önce, 1 sonra); t_0: müdahale öncesinin son zaman noktası (kodda t0, satır 337).
  • \beta_1: müdahale öncesi eğim; \beta_2: müdahalede düzey değişimi; \beta_3: eğim değişimi (yalnız egim_degisimi açıksa).
  • H çift Fourier harmoniği, m_t mevsim dizini (ay), s dönem: mevsimselliği yakalar.
  • N_t: risk altındaki nüfus; Poisson ve yarı-Poisson ailede \ln N_t katsayısı 1'e sabit dengeleme terimi olarak girer.
  1. Joinpoint regresyonu (kip = joinpoint). Eğimin nerede değiştiği bilinmez; şablon kırılma noktalarını (joinpoint) veriden kestirir. Sürekli, parçalı doğrusal model
g(y_t)=\beta_0+\beta_1\,t+\sum_{k=1}^{K}\delta_k\,(t-\psi_k)_+\,,\qquad (u)_+=\max(u,0)
  • \psi_k: k. kırılma noktası (bilinmeyen); K: kırılma sayısı (0, 1, 2, …).
  • \delta_k: \psi_k'de eğimin değişimi; j. bölümün eğimi s_j=\beta_1+\sum_{k\le j}\delta_k.
  • g: log-doğrusal modelde \ln (oran üzerinde en küçük kareler), Poisson modelde \ln bağlantı, doğrusal modelde özdeşlik.

Çıktıda her bölüm için eğim ve APC (yıllık yüzde değişim), tüm dönem için AAPC (ortalama yıllık yüzde değişim) ve kırılma noktalarının güven aralıkları vardır.

Ne zaman kullanılır?

  • Müdahale tarihi bilinen kamu sağlığı, çevre ve eğitim serilerinde "müdahale işe yaradı mı?" sorusu için ITS; kontrol grubu olmadığında bile müdahale öncesi eğilim karşı-olgusal olarak kullanılır.
  • Kanser insidansı, ölüm oranı, kirlilik ya da yağış gibi oran serilerinde eğilimin nerede yön değiştirdiğini ve her bölümde yıllık yüzde değişimi raporlamak için joinpoint.
  • Sayım verisinde nüfusa göre oran modellemek (dengeleme terimi) ve aşırı yayılımı yarı-Poisson ile hesaba katmak için.

Ne zaman kullanılmaz?

  • Müdahale birden çok kez (aç-kapa) olduysa ya da kademeli uygulandıysa: gösterge bir kez 0'dan 1'e geçmelidir (kod, satır 329). Çok müdahaleli tasarım için panel ya da karma model şablonları: Bölüm 18 fa_karma_model, Bölüm 24 nlme_karma.
  • Serinin yapısı mevsimsel ARIMA ile modellenecekse ya da dışsal açıklayıcı gerekiyorsa: Bölüm 111 transfer_fonksiyonu; mevsimsel ayrıştırma için Bölüm 108 mevsimsel_x13.
  • Kırılmanın ortalama düzeyde (birim kök testiyle birlikte) sınanması gerekiyorsa: Bölüm 105 kirilmali_birim_kok; tek bir değişken için eşzamanlı kırılma testi için Bölüm 112 yapisal_kirilma.
  • Eşit aralıklı olmayan ya da çok kısa (n<8) serilerde (kod, satır 292).
  • Temel programda bu analiz yoktur; ARIMA Tahmin analizi müdahale terimi ya da joinpoint içermez.

Temel programla ilişki. Temel programda kesintili zaman serisi ve joinpoint analizi yoktur. Eğilim için Doğrusal Regresyon ve ARIMA Tahmin analizleri vardır; bu şablon onların bilinmeyen kırılma noktalı ve müdahale terimli genellemesidir.

104.2 Şablonun girdileri

Form, üstbilgideki 29 [[param]] bloğundan kurulur (joinpoint_its.R:11–272). Türlerin ve formun ortak denetiminin anlamı Bölüm 1.2'de anlatılmıştır. Sekme adları: Değişkenler, Model, Seçenekler, Gelişmiş.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Çözümleme · kip seçim · Model its its, joinpoint İki dalın hangisinin çalışacağı (312, 472).
Yanıt · yanit sayısal sütun · Değişkenler ilk sayısal sütun sayısal sütun Sayım, oran ya da sürekli yanıt; zaman'dan farklı olmalı (279).
Zaman · zaman sayısal sütun · Değişkenler ikinci sayısal sütun sayısal, tekrarsız Veri zamana göre sıralanır (290); tekrar varsa hata (296).
Müdahale göstergesi · mudahale sayısal sütun · Değişkenler boş yalnız 0 ve 1 Yalnız ITS. Boşsa mudahale_zamani kullanılır (281, 323–331).
Müdahale zamanı · mudahale_zamani ondalık · Model 0,0 veri aralığında Gösterge boşsa D_t=[t\ge bu değer] (325–327).
Nüfus · nufus sayısal sütun · Değişkenler boş pozitif Sayım modellerinde \ln N dengeleme; Gauss ve joinpoint log-doğrusal modelde yanıt =y/N\times çarpan (309).
Oran çarpanı · carpan ondalık · Seçenekler 100000 \ge10^{-6} Oran ölçeği; sayım modelinde yalnız grafik (450, 309).
Model ailesi · aile seçim · Model quasipoisson quasipoisson, poisson, gauss ITS ailesi (314, 350–357, 373).
Yarı-Poisson p ve GA dağılımı · qp_dagilim seçim · Model z z, t Yalnız ITS, yarı-Poisson ve bağımsız hata; t seçilince t_{n-p} (384).
Eğim değişimi terimi · egim_degisimi onay · Model açık açık / kapalı \beta_3 terimini ekler (339).
Mevsim dizini · ay sayısal sütun · Değişkenler boş sayısal Yalnız harmonik > 0 iken kullanılır; boşsa harmonikler zaman'dan kurulur (283, 343).
Harmonik çifti sayısı · harmonik tamsayı · Model 0 0–6 2H\le s olmalı (342).
Mevsim dönemi · donem tamsayı · Model 12 2–366 s (340, 345).
Otokorelasyon / SH · hata_modeli seçim · Model bagimsiz bagimsiz, newey_west, arima Standart hata biçimi (315, 358–383).
Newey–West gecikmesi · nw_gecikme tamsayı · Seçenekler −1 −1–60 -1: otomatik bant genişliği (379).
NW ön beyazlatma · nw_onbeyaz onay · Gelişmiş açık açık / kapalı prewhite (380).
NW küçük örneklem düzeltmesi · nw_duzelt onay · Gelişmiş kapalı açık / kapalı adjust (380).
ARIMA hata AR derecesi · ar_p tamsayı · Seçenekler 1 0–13 arima(order = c(p, 0, q)) (359, 362).
ARIMA hata MA derecesi · ma_q tamsayı · Seçenekler 0 0–13 p+q\ge1 olmalı (360).
ARIMA yöntemi · arima_yontem seçim · Gelişmiş CSS-ML CSS-ML, ML, CSS arima(method = ) (362).
Tanı gecikmesi · tani_gecikme tamsayı · Seçenekler 12 1–60 Ljung–Box, Breusch–Godfrey ve ACF gecikmesi; \min(\cdot,n-2) (423).
Joinpoint modeli · jp_model seçim · Model loglin loglin, poisson, dogrusal Joinpoint modeli (475–497).
En çok kırılma · en_cok_kirilma tamsayı · Model 2 0–8 K (476).
Kırılma sayısı seçimi · secim seçim · Model bic bic, aic, score, davies, sabit selgmented ölçütü (477, 502–512).
Seçim anlamlılık düzeyi · alfa ondalık · Seçenekler 0,05 0,001–0,5 selgmented(alpha = ) (509).
Eğim farkı denetimi · egim_farki_denetimi onay · Gelişmiş açık açık / kapalı check.dslope (509).
Bonferroni · bonferroni onay · Gelişmiş kapalı açık / kapalı selgmented(bonferroni = ) (509).
APC birimi · apc_birim ondalık · Seçenekler 1,0 \ge10^{-6} \mathrm{APC}=100(e^{b\cdot u}-1) (545, 563).
Kırılma GA yöntemi · psi_ga seçim · Seçenekler delta delta, score, gradient confint(method = ) (550).
Bootstrap yeniden başlatma · n_boot tamsayı · Gelişmiş 10 0–200 seg.control(n.boot = ) (498); K>0 iken 0 verilirse uyarı yazılır (499–501).
Bölüm başına en az gözlem · en_az_nokta tamsayı · Gelişmiş 2 1–20 seg.control(min.nj = ) (483, 498).
En çok yineleme · en_cok_yineleme tamsayı · Gelişmiş 30 5–1000 seg.control(it.max = ) (498).
Güven düzeyi · guven ondalık · Seçenekler 0,95 0,5–0,999 Bütün aralıklar (301–304).

Şablonun kendi denetimleri.

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 277
Yanıt ve zaman aynı sütun "Yanıt ve zaman farklı sütunlar olmalı." 279
Seçilen sütun sayıya çevrilemiyor "'…' sütunu sayıya çevrilemedi: … değer sayı değil (ör. …). Ondalık ayırıcı nokta olmalıdır." (mq_sayisal) 286
Eksiksiz satır <8 "Eksiksiz en az 8 zaman noktası gerekli." 292
Zaman tekrarlı "Zaman değerleri tekrarsız olmalı…" 296
Yanıt sabit "Yanıt sabit; eğilim kestirilemez." 297
Nüfus \le0 "Nüfus değerleri pozitif olmalı." 299
Güven düzeyi \le0{,}5 ya da \ge1 "Güven düzeyi 0,5 ile 1 arasında olmalı." 302
ARIMA ve aile Gauss değil "ARIMA hataları yalnız Gauss ailede…" 316
Poisson ailede negatif ya da (yalnız Poisson'da) tamsayı olmayan yanıt "…negatif olmayan sayım olmalı" / "…tamsayı sayım olmalı…" 318–320
Gösterge 0/1 değil "Müdahale göstergesi yalnız 0 ve 1 değerlerini almalı." 324
Zaman girilmiş, aralık dışı "…veri aralığı içinde bir müdahale zamanı verin." 325–327
Gösterge 1'den 0'a dönüyor "…0'dan 1'e bir kez geçmeli…" 329
Önce ya da sonra <3 nokta "Müdahale öncesi ve sonrası en az 3'er zaman noktası gerekli…" 331
2H>s "Harmonik çifti sayısı dönemin yarısını aşamaz." 342
Parametre sayısı \ge n-1 "Parametre sayısı için zaman noktası yetersiz…" 349
ARIMA ve p+q=0 "ARIMA hataları için p ya da q en az 1 olmalı." 360
Katsayılar kestirilemez (eş doğrusal) "Katsayılar kestirilemedi…" 376
Skor/Davies ve K>2 "…en çok 2 kırılmayı sınar…" 478
Log-doğrusal ve oran \le0 "Log-doğrusal joinpoint için yanıt… pozitif olmalı…" 480
Poisson joinpoint, tamsayı olmayan "…negatif olmayan tamsayı sayım olmalı." 482
(K+1)\max(m,2)>n "… kırılma için zaman noktası yetersiz…" 484
Davies ve Poisson joinpoint "Davies seçimi Poisson joinpoint modelinde kullanılamıyor…" 490

Paketlerin uyarıları sar işleviyle toplanır ve çalıştırmanın sonunda "Uyarılar: …" satırı olarak, paketin kendi (İngilizce) metniyle yazılır (306–307, 442, 584). Eksik değerli satırlar sessizce değil bir "Not:" satırıyla çıkarılır (289). Virgüllü ondalık yazılmış bir sütun forma girmez (form denetimi: "… is not a numeric column"); sayısal sütun Veri sekmesinde "kategorik" işaretlense de sayı olarak aktarılır ve sonuç değişmez (jp_h_kategorik: aynı RR 0{,}885).

Örnek ayar (ornek_param, satır 9): kip = its, yanit = aces, zaman = time, mudahale = smokban, nufus = stdpop, ay = month, aile = quasipoisson, harmonik = 2, egim_degisimi = false; öteki alanlar varsayılandadır. Varsayılan egim_degisimi = açık iken örnek ayar kapalıdır; yayımlı değeri yeniden üreten kapalı ayardır.

104.3 Örnek veri

joinpoint_its_sicily.csv, Lopez Bernal ve ark.'nın (2017) öğreticisindeki Sicilya verisidir: 2002–2006 arasında 59 aylık akut koroner olay sayısı; sigara yasağı 2005'in ilk ayında (zaman =37) başlar. Eksik değer yoktur.

Değişken Rol Tür (veri sekmesinin algıladığı) Özet
year, month tanı bilgisi, ay sayısal 2002–2006; 1–12
aces yanıt sayısal ortalama 829,05; ss 72,41; en küçük 659; en büyük 1021
time zaman sayısal 1–59
smokban müdahale göstergesi sayısal 0: 36 ay, 1: 23 ay
stdpop nüfus sayısal ortalama 383 464; ss 5246
pop (kullanılmayan) sayısal ortalama 364 121

Kategorik değişken yoktur; düzey sırası konusu bu şablonda doğmaz.

Joinpoint kipi için örnek veride gerçek bir kırılma yoktur (BIC sıfır kırılmayı seçer, 104.7); bu yüzden bölümde ayrıca sentetik bir yıllık oran serisi kullanılır (dogrulama/joinpoint_its/jp_sentetik.csv, veri_uret.py, tohum 20261118): 1990–2019, 30 yıl, nüfus 900 000'den 1 100 000'e doğrusal artar; oran e^{\ln(40\times10^{-5})+0{,}03\min(t,11{,}6)-0{,}04\,(\min(t,21{,}4)-11{,}6)_++0{,}015\,(t-21{,}4)_+} biçiminde üç bölümlüdür ve sayımlar Poisson'dan çekilmiştir. Gerçek kırılma noktaları 2001,6 ve 2011,4'tür.

Bu bölümde şu çalıştırmalar kullanılır:

Ad Veri ve ayar Amaç
jp_its_ornek Sicilya, örnek ayar ana ITS sonucu, 104.7
jp_its_p, jp_its_qp harmonik = 0, egim_degisimi = false; Poisson, yarı-Poisson yayımlı RR, 104.6
jp_its_egim yarı-Poisson, 2 harmonik, eğim değişimi açık \beta_3
jp_its_gauss, jp_its_nw, jp_its_ar Gauss, harmonik = 0; bağımsız hata, Newey–West (gecikme 3, ön beyazlatmasız), ARIMA(1,0,0) (ML) SH ve tanılar
jp_sabit1 Sicilya, joinpoint, secim = sabit, K=1 kırılma verideki bir gözlemde
jp_def Sicilya, joinpoint, varsayılanlar BIC sıfır kırılmayı seçer
jps_bic, jps_aic, jps_score, jps_davies sentetik, K\le2; dört seçim ölçütü seçim
jps_poisson, jps_dogrusal, jps_sabit2 sentetik; Poisson, doğrusal, sabit K=2 model türleri

104.4 Yöntem: formüller ve hesap adımları

Şablon veriyi okur, eksik satırları çıkarır, zamana göre sıralar ve kipe göre dallanır. ITS'te modeli uydurur, standart hatayı seçilen biçimde hesaplar, otokorelasyon tanılarını ve karşı-olgusal eğilimi üretir. Joinpoint'te segmented::segmented ile kırılma noktalarını kestirir, segmented::selgmented ile sayısını seçer, her bölümün eğimini, APC'sini ve AAPC'yi hesaplar.

104.4.1 Segmentli regresyon ve etkiler

Müdahale göstergesi bir kez 0'dan 1'e geçtiğinde t_0 son müdahale öncesi zaman, D_t=1 ilk müdahale sonrası zamandır; eğim değişimi terimi (t-t_0)D_t olarak kurulur (337–339). İlk müdahale sonrası gözlemde bu terim t-t_0=1 aralıktır, sıfır değil; dolayısıyla \beta_2 müdahale öncesi doğrunun t_0'daki değerine göre düzey farkıdır, ilk sonraki gözleme göre değil.

Sayım ailelerinde etkiler orandır: \mathrm{RR}=e^{\beta_2} müdahaleyle ortalama olay hızının çarpanı, yüzde değişim 100(\mathrm{RR}-1) (409–410). \beta_1 için e^{\beta_1} zaman birimi başına çarpandır.

Yarı-Poisson kestirim Poisson ile aynı \hat\beta'yı verir; standart hatalar Pearson dağılım parametresiyle ölçeklenir:

\hat\phi=\frac{1}{n-p}\sum_{t}\frac{(y_t-\hat\mu_t)^2}{\hat\mu_t},\qquad \operatorname{SH}_{\text{yarı}}(\hat\beta_j)=\sqrt{\hat\phi}\;\operatorname{SH}_{\text{Poisson}}(\hat\beta_j)
  • n: zaman noktası sayısı, p: katsayı sayısı; \hat\mu_t: kestirilen beklenen sayım.
  • \hat\phi>1 aşırı yayılımdır; çıktıda "Aşırı yayılım (Pearson ölçek parametresi)" satırı olarak yazılır (405).

Koddaki tercih

Yarı-Poisson ve Gauss için z/t. Güven aralığı ve p değeri, yarı-Poisson ailede ve Gauss ailede Newey–West ya da ARIMA hataları seçildiğinde standart normal dağılımdan, Gauss ve bağımsız hatada t_{n-p} dağılımından hesaplanır (384–394). Yarı-Poisson ve bağımsız hatada dağılımı form seçer (qp_dagilim): varsayılan z, yayımlı öğreticideki Wald aralıklarıyla uyumludur; t seçilirse dağılım parametresi kestirildiği için glm'in yarı-Poisson özetindeki gibi t_{n-p} kullanılır. Fark küçük örneklerde görülür (104.6, Poisson örneği: normal p=0{,}000592, t_{56} ile 0{,}001122).

104.4.2 Standart hata seçenekleri

Bağımsız hata: modelin kendi kovaryansı. Newey–West (HAC): (Newey ve West, 1987; otomatik bant genişliği için 1994) \hat V=(X'X)^{-1}\hat S\,(X'X)^{-1} (Gauss) ya da genel \hat V=\hat B^{-1}\hat S\hat B^{-1} (GLM), ve

\hat S=\hat\Gamma_0+\sum_{l=1}^{L}\Big(1-\frac{l}{L+1}\Big)\big(\hat\Gamma_l+\hat\Gamma_l'\big),\qquad \hat\Gamma_l=\sum_{t=l+1}^{n}\hat u_t\hat u_{t-l}'\,,\ \ \hat u_t=x_t\,\hat e_t
  • L: gecikme (nw_gecikme); -1 ise Newey ve West (1994) otomatik bant genişliği.
  • (1-l/(L+1)): Bartlett çekirdeği; ön beyazlatma açıkken (varsayılan) \hat u_t önce VAR(1) ile beyazlatılır ve sonuç geri çevrilir (Zeileis, 2004; Zeileis ve ark., 2020).
  • \hat e_t: kalıntı (Gauss) ya da çalışma kalıntısı (GLM).

ARIMA hataları (yalnız Gauss): y_t=x_t'\beta+\eta_t, \eta_t ARMA(p,q); stats::arima(y, order = c(p, 0, q), xreg = X) ile tam olabilirlikle kestirilir ve \hat V paketin var.coef matrisidir (362–365). Kuramsal olarak otokorelasyonu kendisi modellediği için HAC'ten verimlidir; ama p,q doğru seçilmelidir.

104.4.3 Kalıntı tanıları

Durbin–Watson (Durbin ve Watson, 1950), Ljung–Box (Ljung ve Box, 1978) ve Breusch–Godfrey (Breusch, 1978; Godfrey, 1978) tanıları (423–436):

d=\frac{\sum_{t=2}^{n}(\hat e_t-\hat e_{t-1})^2}{\sum_t\hat e_t^2},\qquad Q=n(n+2)\sum_{k=1}^{L}\frac{\hat r_k^2}{n-k}\sim\chi^2_{L-f},\qquad \mathrm{LM}=n\,\frac{\sum_t\hat{\hat e}_t^{\,2}}{\sum_t\hat e_t^2}\sim\chi^2_{L}
  • \hat r_k: k. gecikme otokorelasyonu (ortalaması çıkarılmış kalıntılardan); f: ARIMA'da p+q, öteki durumlarda 0 (424).
  • \mathrm{LM}'de \hat{\hat e}_t, kalıntının X ve L gecikmeli kalıntıya (eksik gecikmeler 0) regresyonunun uyan değeridir (lmtest::bgtest, fill = 0).
  • Poisson ve yarı-Poisson ailede \hat e_t sapma (deviance) kalıntısıdır (390); Gauss ailede ham kalıntı.

Durbin–Watson'ın p değeri yalnız Gauss ailede ve ARIMA dışında üretilir: lmtest::dwtest, pozitif otokorelasyona karşı tek yönlü ve n<100 iken tam dağılımla (Farebrother'in AS 153 algoritması) hesaplar (432); bağımsız hesapta Imhof (1961) tümleviyle aynı değer bulunur. Diğer durumlarda sütun boştur (d değeri yine yazılır). Tablonun ardından p değerinin tek yönlü olduğunu söyleyen bir not yazılır (437–438). Bu üç testten biri p<0{,}05 ise ve hata modeli bagimsiz ise çıktıya otokorelasyon uyarısı eklenir (439).

104.4.4 Karşı-olgusal eğilim

Müdahale terimleri sıfırlanır (D_t=0, (t-t_0)D_t=0), öteki terimler (mevsimsellik dahil) korunur ve \hat\beta ile kestirim yeniden hesaplanır (444–446). Sayım ailelerinde grafik oran olarak çizilir: \hat\mu_t\cdot\text{çarpan}/N_t (450). Gözlenen değer ile karşı-olgusal arasındaki farkın bir güven aralığı verilmez.

104.4.5 Joinpoint: kırılma noktalarını kestirme

Kırılma noktaları \psi=(\psi_1,\dots,\psi_K) doğrusal olmayan parametrelerdir. segmented, Muggeo'nun (2003) yinelemeli doğrusallaştırmasını kullanır: başlangıç \psi^{(0)} için U_k=(t-\psi_k^{(0)})_+ ve V_k=-I(t>\psi_k^{(0)}) sütunlarıyla

g(y_t)=\beta_0+\beta_1t+\sum_k\delta_kU_{kt}+\sum_k\gamma_kV_{kt}

uydurulur ve \hat\psi_k\leftarrow\hat\psi_k+\hat\gamma_k/\hat\delta_k güncellenir; \gamma\to0 olunca durur. Yinelemeler yerel en küçüklere takılabileceğinden n.boot kez bootstrap ile yeniden başlatma yapılır (Fasola ve ark., 2018). Şablon kırılma noktalarını npsi = K ile verir; başlangıç değerlerini paket belirler. Kırılma standart hatası \operatorname{SH}(\hat\psi_k)=\operatorname{SH}(\hat\gamma_k)/|\hat\delta_k|'dır (sonlu \hat\gamma, \hat\delta için delta yöntemi).

Koddaki tercih

Bootstrap yeniden başlatma ve tohum. n_boot varsayılan 10'dur ve 0 verilebilir. 0'da arama yalnız başlangıç noktasından yinelenir ve yerel en küçükte kalabilir: sentetik veride K=2 ve n_boot = 0 iken kırılmalar 2001{,}45 ve 2010{,}18 bulunur (kareler toplamı 0{,}043767); n_boot = 10 ile 2002{,}51 ve 2009{,}36 (kareler toplamı 0{,}043606, küresel en küçük). Her iki durumda 6 farklı tohumda sonuç aynıdır. n_boot = 0 ve K>0 iken çıktıya bu durumu söyleyen bir uyarı yazılır (499–501). Rastgelelik yalnız yeniden başlatmaya girer; Bölüm 1.3'teki tohum (kod panelinin Tohum alanı) set.seed ile uygulanır ve bu şablonun kendi tohum alanı yoktur.

104.4.6 Kırılma sayısının seçimi

secim = bic ya da aic ise K=0{,}1,\dots,K_{\max} için modeller uydurulur ve ölçütün en küçüğü seçilir; egim_farki_denetimi açıksa (varsayılan) eğim farkı \alpha düzeyinde anlamlı olmayan kırılmalar çıkarılır (check.dslope). NCI Joinpoint programının permütasyon testiyle seçimi (Kim ve ark., 2000) şablonda yoktur. score ve davies sıralı testlerdir: H_0: K=0 reddedilirse K=1 ve H_0: K=1'e geçilir (en çok K=2). Davies (1987) testi (ilk biçimi Davies, 1977), kırılma noktası yalnız alternatif altında tanımlı olduğundan alışılmış F testinin geçersiz olduğu durumda eğim farkının sınanmasını sağlar; skor testi (Muggeo, 2016) aynı hipotezi daha hızlı sınar.

Seçim BIC ise tabloya her K için BIC yazılır (538–539); K\ge1 satırları, raporlanan modelle aynı (bootstrap yeniden başlatmalı) uydurmanın değeridir (531–537). Seçim sonrası, K\ge1 ve seçim bic, aic ya da sabit ise bir de davies.test (H_0: eğimde hiç değişim yok) p değeri yazılır (580–583). selgmented'in kendi K\ge1 değerleri yeniden başlatmasız yerel en küçüğe ait olabileceğinden tablo bunları yeniden hesaplar (104.8).

104.4.7 Bölüm eğimleri, APC ve AAPC

j. bölümün eğimi ve standart hatası segmented::slope ile verilir; güven aralığı log-doğrusal ve doğrusal modelde t, Poisson'da z dağılımıyla (548–549). Kırılma yoksa düz lm/glm eğimi kullanılır (555–558).

\mathrm{APC}_j=100\big(e^{u\,s_j}-1\big)
  • s_j: j. bölümün eğimi (log ölçeğinde); u: apc_birim (yıllık veride 1; aylık veride yıllık APC için 12).
  • Alt ve üst sınır eğimin sınırlarından aynı dönüşümle hesaplanır (563). Doğrusal modelde APC verilmez (544).

AAPC, bölüm eğimlerinin bölüm uzunluklarıyla ağırlıklı ortalamasının APC'sidir (Clegg ve ark., 2009):

\bar s=\sum_{j=1}^{K+1}w_j\,s_j,\qquad w_j=\frac{\psi_j-\psi_{j-1}}{\psi_{K+1}-\psi_0}\,,\ \ \psi_0=\min t,\ \psi_{K+1}=\max t,\qquad \mathrm{AAPC}=100\big(e^{u\,\bar s}-1\big)
  • w_j: j. bölümün dönemin uzunluğundaki payı; \sum_jw_j=1.
  • \bar s için standart hata, kırılma noktalarının belirsizliğini de içerir (Muggeo, 2010): \operatorname{SH}(\bar s)=\sqrt{g'\hat\Sigma g}, g=\partial\bar s/\partial(\beta_1,\delta_k,\psi_k) ve \hat\Sigma doğrusallaştırılmış modelin kovaryansıdır. segmented::aapc bu SH'yi döndürür; yalnız eğim kovaryansını kullanan ("yanlış") SH öznitelik olarak ayrı tutulur ve şablonca kullanılmaz (568–569).
  • Güven aralığı normal (\bar s\pm z\cdot\mathrm{SH}) ve AAPC için SH sütunu boş bırakılır (575–576).

Kırılma noktasının güven aralığı confint(method = psi_ga) ile alınır: delta yönteminde \hat\psi_k\pm t_{n-p}\operatorname{SH}(\hat\psi_k) (örnek: 12\pm2{,}0040\times4{,}4903 ile 3{,}00–21{,}00); score ve gradient Muggeo'nun (2017) düzgünleştirilmiş aralıklarıdır ve asimetrik olabilir.

104.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
274–310 Başlangıç: veri denetimi, seçilen sütunların sayısal çevrilmesi, eksik satırların atılması, zamana göre sıralama, tekrar ve sabitlik denetimi, çarpan ve güven düzeyi, sar sarmalayıcısı, oran ve dw_stat Eksik satır çıkarıldığında kalan satırlar bitişikmiş gibi işlenir; aralık eşit değilse ITS'te uyarı yazılır (294, 333–336; 104.8).
312–349 ITS: aile, müdahale göstergesi, t_0, tasarım matrisi X, harmonikler X'e eşitliğin sağ tarafı sırasıyla zaman, duzey, egim, sin1, cos1, … girer.
350–357 Yanıt ve formül: Gauss'ta oran, sayımlarda ham yanıt ve offset(.ofs) Sayımlarda carpan yalnız grafiğe girer.
358–372 ARIMA dalı: arima ile hatalı regresyon; katsayı tablosu Tabloda ar1 (ve ma1) satırları en başta gelir ve adları çevrilmez.
372–392 GLM dalı: glm, kovaryans (model ya da NeweyWest), z/t tdag yalnız Gauss ve HAC dışı.
393–421 Güven aralıkları, Türkçe terim adları, etki tablosu (\mathrm{RR}) ve yorum cümlesi Yorum cümlesi yalnız düzey değişimini söyler.
422–442 Tanılar: Durbin–Watson, Ljung–Box, Breusch–Godfrey; uyarı p sütunu DW için yalnız Gauss'ta dolu.
443–471 Karşı-olgusal eğilim, gözlenen–kestirilen–karşı-olgusal grafiği, ACF/PACF İlk grafik sekil1, ikincisi sekil2.
473–498 Joinpoint hazırlığı: seçim–model uyumluluğu, temel lm/glm, seg.control Log-doğrusal modelde yanıt \ln(oran).
502–516 Kırılma sayısı: sabit için segmented(npsi = K); öteki seçimler için selgmented (refit = TRUE) sec_t seçim nesnesinden okunur; boşsa tablo yoktur.
517–559 Bölümler: slope, confint, kırılma tablosu Kırılma tablosunun kestirim sütunu segmented nesnesinin tam değeridir; güven sınırları confint çıktısından gelir.
560–583 Bölüm tablosu (eğim, APC), AAPC, Davies testi AAPC SH'si aapc'ın tam SH'sidir.
584–601 Uyarılar ve grafik Bölümler gözlem noktalarına bağlı çizilir; kırılma noktasında çizgiler kesintili görünür.

Kritik satırlar (eğim değişimi sütunu 331'de (tt - t0) * D olarak kurulur):

t0 <- max(tt[D == 0])                                              # 329
sfit <- segmented(olm, seg.Z = ~.t, npsi = K, control = ctl)       # 490 (sabit K)
a <- aapc(sfit, exp.it = FALSE, conf.level = gd)                   # 546

104.6 Elle hesap: örnek veride bağımsız yeniden hesap

Ara değerler dogrulama/joinpoint_its/elle_hesap.py ile hesaplanmıştır: yalnız numpy ve scipy kullanılmış (Harris ve ark., 2020; Virtanen ve ark., 2020), şablon ve segmented, sandwich, lmtest işlevleri çağrılmamıştır. R tarafı r_dogrulama.R (modeller doğrudan glm, lm, arima, NeweyWest, bgtest, segmented, aapc ile kurulur) ve ayrıca ayrı bir tohumla yeniden başlatılmış segmented çağrılarıdır. Veri: Sicilya (ITS) ve sentetik seri (joinpoint).

Adım 1 — Poisson, yasak etkisi (H=0, eğim değişimi yok). Tasarım [1,\,t,\,D_t], dengeleme \ln stdpop. Yeniden ağırlıklı en küçük kareler (IRLS, 10^{-14} yakınsama) ile

\hat\beta=(-6{,}243151,\;0{,}004945,\;-0{,}111628),\quad \operatorname{SH}=(0{,}011189,\;0{,}000499,\;0{,}017225)

\mathrm{RR}=e^{-0{,}111628}=0{,}894377; Wald aralığı 0{,}864686–0{,}925086 (yayımlı: 0{,}894 (0{,}864–0{,}925); alt sınır yayında 0{,}86469 yerine kesilerek 0{,}864 yazılmıştır).

Adım 2 — Yarı-Poisson. \hat\phi=\sum(y-\hat\mu)^2/\hat\mu\,/\,(59-3)=3{,}559187; \sqrt{\hat\phi}=1{,}886581; SH =(0{,}021110,\;0{,}000942,\;0{,}032496); RR aralığı 0{,}839189–0{,}953193 (yayımlı: 0{,}839–0{,}953). t_{56} ile p=0{,}001122 ve aralık 0{,}838010–0{,}954535; şablon normal dağılımla p=0{,}000592 yazar (104.4.1).

Adım 3 — Mevsimsellik. İki harmonikle (örnek ayar) \hat\phi=2{,}262183 ve düzey değişimi \hat\beta_2=-0{,}122087 (SH 0{,}027031): \mathrm{RR}=0{,}885072 (0{,}839401–0{,}933227; yayımlı 0{,}885 (0{,}839–0{,}933)).

Adım 4 — Kalıntı tanıları (örnek ayar). Sapma kalıntılarından d=2{,}398214; otokorelasyonlar ortalaması çıkarılarak Q_{12}=28{,}467116, p=0{,}004724.

Adım 5 — Gauss, eğim değişimli, H=0. EKK: \hat\beta=(194{,}108740;\;1{,}035849;\;-24{,}844364;\;0{,}127220), SH =(4{,}850321;\;0{,}228604;\;7{,}704619;\;0{,}502873); düzey değişimi için t_{55}=-3{,}2246, p=0{,}002124. d=1{,}593964 ve tam (Imhof tümleviyle) tek yönlü p=0{,}022853; Q_{12}=60{,}315332; Breusch–Godfrey \mathrm{LM}=33{,}487844 (p=0{,}000812).

Adım 6 — Newey–West (gecikme 3, ön beyazlatmasız). \hat S Bartlett ağırlıklarıyla (3/4,\,2/4,\,1/4): SH =(4{,}072428;\;0{,}178379;\;7{,}346425;\;0{,}425611); düzey değişimi için p=0{,}000720.

Adım 7 — ARIMA(1,0,0) hatalı regresyon. Tam Gauss olabilirliği \varphi üzerinde profil olarak en küçültülür (\sigma^2 ve \beta kapalı biçimde): \hat\varphi=0{,}199668, düzey değişimi -24{,}335024, \hat\sigma^2=181{,}4877, -\ell=237{,}172764.

Adım 8 — Joinpoint, Sicilya, K=1. \ln(\text{oran}) üzerinde kareler toplamı \psi'ye göre 0,01 adımlı ızgarada ve sonra inceltilerek en küçültülür: \hat\psi=12{,}0000 (bir gözlem noktası). Eğimler 0{,}0118984 ve 0{,}0011795 (\mathrm{APC}=1{,}1969 ve 0{,}1180); ağırlıklı ortalama eğim 0{,}0032124 ve AAPC 0{,}3218\,\%. Kırılma bir gözlemde olduğundan kareler toplamı orada türevsizdir ve segmented 11{,}999973'te durur; bu noktada doğrusallaştırılmış modelle \operatorname{SH}(\hat\psi)=4{,}4903, eğim SH'leri 0{,}006497 ve 0{,}000710, AAPC SH'si 0{,}000742 bulunur (MerQuR+ ile aynı).

Adım 9 — Joinpoint, sentetik, K=2. İki boyutlu ızgara (0,05 yıl) + Nelder–Mead: \hat\psi=(2002{,}5050;\,2009{,}3581); eğimler 0{,}026717, -0{,}051256, 0{,}010517 (SH 0{,}003160; 0{,}008055; 0{,}004693); \mathrm{APC}=2{,}7078;\,-4{,}9965;\,1{,}0573. Ağırlıklar 0{,}4312;\,0{,}2363;\,0{,}3325; ortalama eğim 0{,}0029051 (SH 0{,}0011575); \mathrm{AAPC}=0{,}2909\,\%. BIC: -40{,}3596 (K=0), -59{,}1821 (K=1), -87{,}0682 (K=2). Kırılma SH'leri 0{,}5153 ve 0{,}6782.

Adım 10 — Öteki modeller. Poisson joinpoint (sapma en küçüğü, IRLS ile): \hat\psi=(2001{,}4015;\,2010{,}2283), eğimler 0{,}030183, -0{,}039451, 0{,}012063, SH 0{,}004041, 0{,}006016, 0{,}006165. Doğrusal ölçekte \hat\psi=(2001{,}4743;\,2009{,}6770), eğimler 1{,}38457, -1{,}90059, 0{,}43207.

104.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
Örnek: katsayı, zaman 0,00538922 0,00538922 0,00538922 2,6e−15 ✓
Örnek: SH (yarı-Poisson), zaman 7,955372·10−4 7,955370·10−4 7,955372·10−4 2,6e−10 ✓
Örnek: katsayı, düzey değişimi −0,12208679 −0,12208679 −0,12208679 1,3e−13 ✓
Örnek: SH (yarı-Poisson), düzey değişimi 0,02703111 0,0270311 0,02703111 8,5e−9 ✓
Örnek: katsayı, sin1 0,03709673 0,03709673 0,03709673 1,4e−12 ✓
Örnek: SH (yarı-Poisson), sin1 0,01002407 0,01002407 0,01002407 3,4e−9 ✓
Örnek: RR, düzey değişimi 0,88507155 0,88507155 0,88507155 1,2e−13 ✓
Örnek: RR alt sınır (%95) 0,83940096 0,83940097 0,83940096 1,4e−8 ✓
Örnek: RR üst sınır (%95) 0,93322701 0,93322699 0,93322701 1,6e−8 ✓
Örnek: p, düzey değişimi (normal) 6,286137·10−6 6,286095·10−6 6,286137·10−6 4,2e−11 ✓
Örnek: Durbin–Watson (sapma kalıntıları) 2,39821445 2,39821445 2,39821445 5,7e−13 ✓
Örnek: Ljung–Box Q (gecikme 12) 28,46711552 28,46711552 28,46711552 3,6e−12 ✓
Örnek: Ljung–Box p 0,004724 0,004724 0,004724 1,6e−13 ✓
Poisson: katsayı, düzey değişimi −0,11162844 −0,11162844 −0,11162844 4,2e−12 ✓
Poisson: SH, düzey değişimi 0,01722477 0,01722478 0,01722477 1,7e−8 ✓
Poisson: RR 0,89437651 0,89437651 0,89437651 3,8e−12 ✓
Poisson: RR alt sınır 0,86468642 0,86468639 0,86468642 2,8e−8 ✓
Poisson: RR üst sınır 0,92508605 0,92508608 0,92508605 3,0e−8 ✓
Yarı-Poisson: SH, düzey değişimi 0,03249595 0,03249594 0,03249595 4,7e−9 ✓
Yarı-Poisson: RR alt sınır 0,839189 0,83918901 0,839189 7,6e−9 ✓
Yarı-Poisson: RR üst sınır 0,9531933 0,95319329 0,9531933 8,7e−9 ✓
Yarı-Poisson: p (normal) 5,922262·10−4 5,922251·10−4 5,922262·10−4 1,1e−9 ✓
Eğim değişimi: katsayı, düzey −0,13185917 −0,13185917 −0,13185917 8,0e−13 ✓
Eğim değişimi: katsayı, eğim değişimi 0,00148223 0,00148223 0,00148223 1,3e−13 ✓
Eğim değişimi: SH, eğim değişimi 0,00185463 0,00185463 0,00185463 7,7e−10 ✓
Gauss: katsayı, kesişim 194,1087405 194,1087405 194,1087405 2,0e−15 ✓
Gauss: SH, kesişim 4,85032073 4,85032073 4,85032073 7,4e−14 ✓
Gauss: katsayı, düzey −24,84436359 −24,84436359 −24,84436359 2,4e−14 ✓
Gauss: SH, düzey 7,70461906 7,70461906 7,70461906 1,3e−15 ✓
Gauss: katsayı, eğim değişimi 0,12722044 0,12722044 0,12722044 8,0e−15 ✓
Gauss: SH, eğim değişimi 0,50287331 0,50287331 0,50287331 9,0e−15 ✓
Gauss: t, düzey değişimi −3,22460635 −3,22460635 −3,22460635 1,3e−13 ✓
Gauss: p, düzey değişimi 0,00212436 0,00212436 0,00212436 4,0e−16 ✓
Gauss: GA alt, düzey değişimi −40,28476523 −40,28476523 −40,28476523 1,3e−14 ✓
Gauss: Durbin–Watson 1,59396364 1,59396364 1,59396364 1,1e−13 ✓
Gauss: Durbin–Watson p (tam, tek yönlü) 0,02285261 0,02285261 0,02285261 4,5e−12 ✓
Gauss: Ljung–Box Q 60,31533182 60,31533182 60,31533182 9,3e−15 ✓
Gauss: Breusch–Godfrey LM 33,4878436 33,4878436 33,4878436 1,2e−14 ✓
Gauss: Breusch–Godfrey p 8,120045·10−4 8,120045·10−4 8,120045·10−4 1,1e−16 ✓
Newey–West (gecikme 3): SH, kesişim 4,07242751 4,07242751 4,07242751 2,4e−14 ✓
Newey–West (gecikme 3): SH, düzey 7,34642519 7,34642519 7,34642519 5,6e−14 ✓
Newey–West (gecikme 3): SH, eğim değişimi 0,42561062 0,42561062 0,42561062 3,6e−14 ✓
Newey–West: p, düzey değişimi 7,200460·10−4 7,200460·10−4 7,200460·10−4 1,0e−16 ✓
Newey–West: GA üst, eğim değişimi 0,96140192 0,96140192 0,96140192 3,6e−14 ✓
ARIMA(1,0,0): φ 0,19966844 0,19966774 0,19966844 7,0e−7 ✓
ARIMA(1,0,0): kesişim 194,11471699 194,11423909 194,11471699 2,5e−6 ✓
ARIMA(1,0,0): düzey değişimi −24,33493189 −24,33502435 −24,33493189 3,8e−6 ✓
Sicilya K=1: kırılma noktası (tam ızgara en küçüğü) 11,99997258 12 11,99997258 2,3e−6 ✓
Sicilya K=1: kırılma SH 4,49031281 4,49031281 4,49031281 4,4e−13 ✓
Sicilya K=1: eğim 1 0,011898 0,01189838 0,011898 3,8e−7 ✓
Sicilya K=1: eğim 1 SH 0,0064967 0,00649675 0,0064967 4,7e−8 ✓
Sicilya K=1: APC 1 1,19690628 1,19694458 1,19690628 3,2e−5 ✓
Sicilya K=1: eğim 2 0,0011795 0,0011795 0,0011795 4,7e−9 ✓
Sicilya K=1: eğim 2 SH 7,099300·10−4 7,099297·10−4 7,099300·10−4 2,7e−10 ✓
Sicilya K=1: APC 2 0,11801959 0,11802006 0,11801959 4,7e−7 ✓
Sicilya K=1: ortalama eğim 0,00321231 0,00321239 0,00321231 7,6e−8 ✓
Sicilya K=1: ortalama eğim SH (kırılma belirsizliği dahil) 7,420611·10−4 7,420467·10−4 7,420611·10−4 1,4e−8 ✓
Sicilya K=1: AAPC (%) 0,32174789 0,32175548 0,32174789 7,6e−6 ✓
Sentetik K=2: kırılma 1 2002,50504942 2002,50504927 2002,50504942 7,5e−11 ✓
Sentetik K=2: kırılma 1 SH 0,51529047 0,51529047 0,51529047 1,0e−9 ✓
Sentetik K=2: kırılma 2 2009,35807047 2009,35807014 2009,35807047 1,6e−10 ✓
Sentetik K=2: kırılma 2 SH 0,67821717 0,67821716 0,67821717 8,2e−10 ✓
Sentetik K=2: eğim 1 0,026717 0,02671742 0,026717 4,2e−7 ✓
Sentetik K=2: eğim 1 SH 0,0031596 0,00315959 0,0031596 1,1e−8 ✓
Sentetik K=2: APC 1 2,70770988 2,70775274 2,70770988 1,6e−5 ✓
Sentetik K=2: APC 1 alt sınır 2,04013191 2,04016721 2,04013191 1,7e−5 ✓
Sentetik K=2: eğim 2 −0,051256 −0,05125633 −0,051256 3,3e−7 ✓
Sentetik K=2: eğim 2 SH 0,0080554 0,0080554 0,0080554 3,2e−9 ✓
Sentetik K=2: APC 2 −4,99645697 −4,99648816 −4,99645697 6,2e−6 ✓
Sentetik K=2: APC 2 alt sınır −6,56292772 −6,56291496 −6,56292772 1,9e−6 ✓
Sentetik K=2: eğim 3 0,010517 0,01051719 0,010517 1,9e−7 ✓
Sentetik K=2: eğim 3 SH 0,0046929 0,00469288 0,0046929 2,1e−8 ✓
Sentetik K=2: APC 3 1,0572498 1,05726868 1,0572498 1,8e−5 ✓
Sentetik K=2: APC 3 alt sınır 0,08319058 0,08319072 0,08319058 1,3e−7 ✓
Sentetik K=2: ortalama eğim 0,00290494 0,0029051 0,00290494 1,6e−7 ✓
Sentetik K=2: ortalama eğim SH 0,00115752 0,00115752 0,00115752 5,3e−9 ✓
Sentetik K=2: AAPC (%) 0,2909159 0,29093242 0,2909159 1,7e−5 ✓
Sentetik: BIC, 0 kırılma −40,35959252 −40,35959252 −40,35959252 7,4e−15 ✓
Sentetik: BIC, 1 kırılma −59,18208383 −59,18208383 −59,18208383 3,2e−15 ✓
Sentetik: BIC, 2 kırılma (seçim tablosu) −87,06821001 −87,06821001 −87,06821001 1,7e−14 ✓
Sicilya: BIC, 0 kırılma −134,81491794 −134,81491794 −134,81491794 2,3e−15 ✓
Sicilya: BIC, 1 kırılma −133,29280184 −133,2928072 −133,29280184 4,0e−8 ✓
Poisson joinpoint: kırılma 1 2001,40154942 2001,40154967 — 1,3e−10 ✓
Poisson joinpoint: kırılma 2 2010,22825113 2010,22825129 — 7,8e−11 ✓
Poisson joinpoint: eğim 1 0,030183 0,0301828 — 2,0e−7 ✓
Poisson joinpoint: eğim 1 SH 0,0040405 0,00404052 — 2,0e−8 ✓
Poisson joinpoint: APC 1 3,06431244 3,06429163 — 6,8e−6 ✓
Poisson joinpoint: eğim 2 −0,039451 −0,03945105 — 4,6e−8 ✓
Poisson joinpoint: eğim 2 SH 0,0060161 0,00601609 — 6,3e−9 ✓
Poisson joinpoint: APC 2 −3,86829426 −3,86829865 — 1,1e−6 ✓
Poisson joinpoint: eğim 3 0,012063 0,01206305 — 4,9e−8 ✓
Poisson joinpoint: eğim 3 SH 0,0061654 0,00616545 — 4,7e−8 ✓
Poisson joinpoint: APC 3 1,21360514 1,21361014 — 4,1e−6 ✓
Doğrusal joinpoint: kırılma 1 2001,47433185 2001,47433142 — 2,2e−10 ✓
Doğrusal joinpoint: kırılma 2 2009,67702354 2009,6770237 — 8,0e−11 ✓
Doğrusal joinpoint: eğim 1 1,3846 1,38457346 — 1,9e−5 ✓
Doğrusal joinpoint: eğim 1 SH 0,15829 0,15828842 — 1,6e−6 ✓
Doğrusal joinpoint: eğim 2 −1,9006 −1,90058832 — 6,1e−6 ✓
Doğrusal joinpoint: eğim 2 SH 0,29207 0,29207375 — 3,7e−6 ✓
Doğrusal joinpoint: eğim 3 0,43207 0,43206844 — 1,6e−6 ✓
Doğrusal joinpoint: eğim 3 SH 0,2084 0,20839639 — 3,6e−6 ✓
Doğrusal joinpoint: ortalama eğim 0,14915526 0,14914749 — 7,8e−6 ✓
Doğrusal joinpoint: ortalama eğim SH 0,05222977 0,05222998 — 2,1e−7 ✓

Ölçütü karşılayan: 103/103. Yayımlı başvuru (Lopez Bernal ve ark., 2017, Sicilya): Poisson \text{RR}=0{,}894 (0,864–0,925); yarı-Poisson GA 0,839–0,953; iki harmonikli yarı-Poisson \text{RR}=0{,}885 (0,839–0,933). Kırılma noktası ve ona bağlı nicelikler iki bağımsız aramada (Python ızgara + Nelder–Mead; R segmented) en çok 10^{-5} göreli farkla örtüşür; düzey ve eğim katsayıları kırılma noktasında türevsiz olduğundan ✗ görünen satırlar bu aramadaki sapmayı gösterir (bkz. 104.6).

Doğrulamanın iki satırı gerekçe ister. (i) ARIMA katsayıları 2{,}5\times10^{-6} ve 3{,}8\times10^{-6} göreli farkla örtüşür: stats::arima optim'i 10^{-8} göreli tolerans (reltol) ile durdurur ve olabilirlik bu bölgede düzdür; Python'un en küçüğü -\ell=237{,}172764 ile R'ninkiyle on basamak aynıdır. (ii) Kırılma noktasına bağlı nicelikler: segmented'in yineleme ölçütü (10^{-5}) nedeniyle 10^{-4} göreli ölçüt kullanılmıştır. BIC dizisinin K=2 değeri, raporlanan (bootstrap yeniden başlatmalı) kırılmalarda uydurulan modelin BIC'idir (-87{,}068) ve bağımsız hesapla 10^{-13} içinde örtüşür.

104.7 Çıktıyı okuma

ITS, örnek ayar (jp_its_ornek; stdout.txt):

Kesintili zaman serisi: n = 59 zaman noktası (müdahale öncesi 36, sonrası 23; t₀ = 36), aile yarı-Poisson, model tabanlı SH, harmonik çifti 2
Aşırı yayılım (Pearson ölçek parametresi) = 2,262
Yorum: müdahaleyle birlikte düzey %11,5 azaldı (RR = 0,885; %95 GA 0,839–0,933; p = 6,29e-06).
Uyarı: kalıntılarda otokorelasyon var; Newey–West standart hataları ya da ARIMA hataları (Gauss) düşünün.

Tablo 1 (kısaltılmış; MerQuR+ tam hassasiyetle saklar):

terim katsayi SH z p GA_alt GA_ust
Kesişim −6.252372 0.017569 −355.877 0 −6.286807 −6.217938
zaman (öncesi eğim) 0.005389 0.000796 6.774 1.25e−11 0.003830 0.006948
düzey değişimi −0.122087 0.027031 −4.517 6.29e−06 −0.175067 −0.069107
sin1 0.037097 0.010024 3.701 2.15e−04 0.017450 0.056744
cos1 0.038161 0.009685 3.940 8.14e−05 0.019179 0.057143
sin2 −0.018212 0.009644 −1.889 0.0590 −0.037113 0.000689
cos2 0.014763 0.009722 1.519 0.1289 −0.004292 0.033818

Etki tablosu: zaman için \mathrm{RR}=1{,}005404 (aylık \%0{,}54 artış), düzey değişimi için \mathrm{RR}=0{,}885072 (0{,}839401–0{,}933227; yüzde değişim -11{,}49). Tanı tablosu: Durbin–Watson 2{,}398214 (p boş); Ljung–Box 28{,}467116, sd=12, p=0{,}004724.

Şekil 104.1. Gözlenen aylık olaylar (gri), model kestirimi (mavi) ve müdahalesiz karşı-olgusal eğilim (turuncu kesikli); gölgeli bölge müdahale sonrasıdır. Karşı-olgusal eğri müdahale öncesi eğimi ve mevsimselliği sürdürür.

Şekil 104.2. Kalıntıların ACF ve PACF grafikleri (gecikme 12). Aylık gecikmelerde dikey çubukların güven sınırını aşması otokorelasyonun belirtisidir.

Joinpoint, sentetik seri, varsayılanlar (jps_bic; stdout.txt):

Joinpoint regresyonu: n = 30, model log-doğrusal (en küçük kareler), en çok 2 kırılma, seçim BIC → 2 kırılma
Davies testi (eğimde en az bir değişim): p = 4,949e-05
Uyarılar: The best BIC value at the boundary. Increase 'Kmax'?
Tablo İçerik
1. Kırılma sayısı K=0: -40{,}3596; K=1: -59{,}1821; K=2: -87{,}0682 (en küçük K=2)
2. Kırılma noktaları 2002{,}505049 (SH 0{,}5153; GA 2001{,}44–2003{,}57) ve 2009{,}358070 (SH 0{,}6782; GA 2007{,}96–2010{,}76)
3. Bölümler 1990–2002{,}505: eğim 0{,}026717, APC 2{,}71\,\% (GA 2{,}04–3{,}38); 2002{,}505–2009{,}358: -0{,}051256, APC -5{,}00\,\% (-6{,}56–-3{,}40); 2009{,}358–2019: 0{,}010517, APC 1{,}06\,\% (0{,}08–2{,}04)
4. Ortalama değişim ağırlıklı eğim 0{,}002905 (SH 0{,}001158); AAPC 0{,}2909\,\% (GA 0{,}0636–0{,}5187)

"Uyarılar" satırı segmented'in İngilizce iletisidir: K_{\max} sınırında en iyi BIC bulunduğunu, daha çok kırılmanın denenebileceğini söyler; en_cok_kirilma = 3 denendiğinde (jph_k3) BIC K=3 için -80{,}39 verir ve seçim yine 2'dir.

Şekil 104.3. Sentetik seri için joinpoint modeli: gözlenen oranlar (gri nokta), bölüm doğruları (renkli) ve kırılma noktaları (dikey noktalı çizgi); açıklama kutusunda bölüm aralıkları ve APC. Dikey eksen logaritmiktir.

Öğe Ne yazar Nasıl yorumlanır
düzey değişimi (ITS) \beta_2; sayımda \mathrm{RR}=e^{\beta_2} \mathrm{RR}<1: müdahaleyle oran düştü; GA 1'i içermiyorsa Wald anlamlılığı
zaman (öncesi eğim) \beta_1 Müdahale öncesi eğilim; karşı-olgusal eğilimin eğimi
eğim değişimi \beta_3 Müdahale sonrası eğim =\beta_1+\beta_3
Durbin–Watson, Ljung–Box, Breusch–Godfrey Kalıntı otokorelasyonu p<0{,}05 ise bağımsız-hata SH'leri iyimserdir; NW ya da ARIMA seçin
APC Bölümün yıllık yüzde değişimi GA 0'ı içermiyorsa o bölümde anlamlı eğilim
AAPC Tüm dönemin ortalama yıllık yüzde değişimi Bölümlerin uzunluk ağırlıklı özeti

Rapor cümlesi (ITS). Yasak, akut koroner olay oranında yarı-Poisson modelde (iki harmonikli mevsimsellik ve \ln nüfus dengelemesiyle) \%11{,}5'lik bir düzey azalması ile ilişkiliydi (oran oranı 0{,}885; \%95 GA 0{,}839–0{,}933); kalıntılarda otokorelasyon bulunduğundan (Ljung–Box p=0{,}005) sonuç Newey–West standart hatalarıyla da doğrulanmalıdır.

Rapor cümlesi (joinpoint). Oran, 1990–2002'de yılda \%2{,}71 (GA 2{,}04–3{,}38) arttı, 2002–2009'da yılda \%5{,}00 (GA 3{,}40–6{,}56) azaldı ve 2009–2019'da yılda \%1{,}06 (GA 0{,}08–2{,}04) arttı; kırılma noktaları 2002{,}5 (2001{,}4–2003{,}6) ve 2009{,}4 (2008{,}0–2010{,}8) olarak kestirildi; tüm dönemde ortalama yıllık değişim \%0{,}29 idi.

104.8 Sık hatalar ve tuzaklar

  • Müdahale gösterge sütunu zamana bağlı sıralanmaz. Şablon veriyi zamana göre sıralar, sonra göstergeyi sınar. Sıralanmamış dosya (sicily_karisik) aynı sonucu verir; ama göstergenin 0'a dönmesi ("kapat") hata verir.
  • t_0 ve düzey değişiminin tanımı. Eğim değişimi açıkken \beta_2, müdahale öncesi doğrunun t_0'daki değerine göre farktır; yalnız düzey modelinde (\beta_3=0) bütün sonrası dönemde sabit bir çarpandır. İki modelin \beta_2'si birbirinin yerine kullanılmaz (örnek: yarı-Poisson, 2 harmonik, düzey RR 0{,}885; eğim değişimli 0{,}876, \beta_3 için p=0{,}42).
  • Aşırı yayılımda Poisson değil yarı-Poisson. Aynı veride Poisson SH'si 0{,}017225, yarı-Poisson 0{,}032496; \hat\phi=3{,}56 iken Poisson aralığı iyimserdir. \hat\phi\approx1 ise ikisi aynıdır.
  • Otokorelasyon varken SH'ler. Bağımsız hatada p ve GA, Sicilya Gauss modelinde düzey için 0{,}0021 (t), Newey–West ile 0{,}0007 (z) olur; yönü genelde sezilmez. Otokorelasyonun kaynağı model eksikse (mevsimsellik) önce onu ekleyin.
  • Ljung–Box'ta ARIMA için serbestlik derecesi. ARIMA hatalarında sd=L-p-q kullanılır; GLM kalıntılarında kestirilen katsayı sayısı düşülmez.
  • Eşit aralık ve eksik gözlem. ARIMA, Durbin–Watson, Ljung–Box ve Breusch–Godfrey ardışık satırları komşu sayar. ITS kipinde zaman aralığı eşit değilse (ör. eksik değerli satırlar çıkarıldığında; jp_h_eksik: 3 satır eksik, sonuç \mathrm{RR}=0{,}887) şablon "zaman aralığı eşit değil" uyarısı yazar (333–336); gecikme yapısı satır sırasına göredir ve kayar. Eşit olmayan aralıkta bu tanıları yorumlamadan önce eksik satırları doldurun ya da bağımsız hesaplayın.
  • Mevsimlik harmonik sayısı. Harmonikler ay dizinine bağlıdır; ay boşsa zaman sütunundan türetilir ve donem zaman birimindedir. Yıllık seride harmonik > 0 anlamsızdır.
  • Joinpoint: başlangıç ve yerel en küçük. n_boot = 0 küresel en küçüğü bulamayabilir (104.4.5; şablon bu durumda uyarı yazar); sonuçları farklı n_boot ile karşılaştırın. Aynı veride n_boot = 10 ile altı tohum aynı kırılmaları verir.
  • BIC tablosu. Tablonun K\ge1 satırları, raporlanan modelle aynı (bootstrap yeniden başlatmalı) uydurmanın BIC/AIC değeridir (531–538); selgmented'in kendi değerleri yeniden başlatmasız yerel en küçüğe ait olabilir (örnek: K=2 için -86{,}958, tablodaki -87{,}068). Seçim kararını selgmented verir ve tabloyla çelişebilir; çelişirse çıktıya not düşer.
  • Kırılma noktası GA'sı güvenilirliği. Sentetik seride gerçek ikinci kırılma (2011{,}4) kestirilen aralığın (2007{,}96–2010{,}76) dışında kalır: 30 noktalı bir serinin ikinci bölümü kısa ve eğim farkı küçüktür. Joinpoint aralıklarını Wald yaklaşıkları olarak okuyun.
  • Zaman birimi ve APC. Aylık seride apc_birim = 1 aylık yüzde değişimdir; yıllık APC için 12 yazın: \mathrm{APC}=100(e^{12s}-1), aylık APC'nin 12 katı değildir.
  • Davies testi yalnız bir ek test. Seçim bic ya da aic iken yazılan p değeri seçim sonrası bir sınamadır; çoklu karşılaştırma düzeltmesi yoktur.
  • Poisson joinpoint ve nüfus. jp_model = poisson ve nüfus girildiğinde dengeleme otomatik eklenir; yanıt sayım olmalıdır (ondalıklı oran girilirse hata).

104.9 Uzman soruları

S1. ITS'te neden yarı-Poisson varsayılan?

Sayım verisinde varyans genellikle ortalamadan büyüktür. Yarı-Poisson aynı \hat\beta'yı verir ve yalnız SH'yi \sqrt{\hat\phi} ile ölçekler; Sicilya'da \hat\phi=3{,}56 (harmoniksiz) ve 2{,}26 (iki harmonikli). Poisson aralığı (0{,}865–0{,}925) yarı-Poisson'unkinden (0{,}839–0{,}953) belirgin dardır. Negatif iki terimli model ya da karma model gerekirse Bölüm 27 r_glmmtmb_nb ve Bölüm 19 glmer_ileri bakılır.

S2. Yarı-Poisson aralığı için neden t değil z?

Varsayılan z'dir (384): yayımlı öğreticideki aralıklar da Wald'dır (0{,}839–0{,}953) ve varsayılan çıktıyı yayımlı değerle uyumlu tutar. Form qp_dagilim = t ile t_{n-p}'yi seçtirir: t_{56} ile aralık 0{,}838–0{,}955 olur. Küçük örneklerde (n<30) t sınırları daha geniştir ve temkinli olan odur; Gauss ve bağımsız hatada t_{n-p} her zaman kullanılır.

S3. Newey–West mi, ARIMA hataları mı?

HAC, otokorelasyonun biçimini varsaymaz ve ailelerde çalışır; ama kısa serilerde (n=59) bant genişliği seçimine duyarlıdır ve SH'ler aşağı yanlıdır. ARIMA hataları Gauss ailede otokorelasyonu modeller ve SH'yi doğrudan verir; ama p,q seçimi ve eşit aralık varsayımı gerekir. Sicilya Gauss düzey SH'leri: bağımsız 7{,}705, NW 7{,}346 (gecikme 3, ön beyazlatmasız), ARIMA(1,0,0) 8{,}704. Üçü de anlamlıdır ama dizilişi anlamlılık sınırında seçime bırakmayın.

S4. Durbin–Watson p değeri neden bazen boş?

Şablon p değerini yalnız Gauss ailede, ARIMA dışında dwtest ile alır (432): yarı-Poisson ve Poisson sapma kalıntıları için tam dağılım yoktur ve ARIMA kalıntıları beyazlatılmıştır. Tek yönlü alternatif "pozitif otokorelasyon"dur: d>2 (negatif otokorelasyon) iken p 1'e yakın çıkar. İki yönlü karar için Breusch–Godfrey kullanılır.

S5. Joinpoint kırılma noktaları neden bir gözlemde bitiyor?

Parçalı doğrusal modelin kareler toplamı, kırılma bir gözlemden geçerken türevsizdir; en küçük sıklıkla bir gözlem noktasındadır. Sicilya, K=1: tam ızgara en küçüğü 12{,}0000, segmented 11{,}999973'te durur ve SH ile eğimler bu küçük farkla değişir (\operatorname{SH}(\hat\psi)=4{,}49; ızgara noktasında doğrusallaştırılmış SH 3{,}93). Davies testi bu örnekte kırılmayı desteklemez (p=0{,}149).

S6. APC ve AAPC arasındaki fark nedir?

APC bir bölümün sabit yıllık yüzde değişimidir ve bölümün eğiminin dönüşümüdür. AAPC bölüm eğimlerinin uzunluk ağırlıklı ortalamasının dönüşümüdür; yani bölümleri "kırılmasaydı" ortalama bir doğru gibi özetler. Sentetik örnekte APC +2{,}71,\,-5{,}00,\,+1{,}06 iken AAPC +0{,}29; bu ortalama işaret değişimini gizler. AAPC'nin SH'si kırılma noktalarının belirsizliğini içerir (Muggeo, 2010) ve sentetik örnekte 0{,}001158'dir; yalnız eğim kovaryansıyla yapılan yaklaşım bunu eksik söyler.

S7. BIC ve Davies/skor testi seçimi neden farklı kırılma sayısı verebilir?

BIC, uyum iyileşmesini \ln n ile cezalandırır ve eğim farkı anlamlılığı denetimi açıksa ek eleme yapar; sıralı testler sabit \alpha ile çalışır ve K\le2 ile sınırlıdır. Sentetik seride dört ölçüt (\mathrm{BIC}, AIC, skor, Davies) 2 kırılmada anlaşır; Sicilya'da BIC 0 seçer ve Davies K=1 için p=0{,}149 verir. Küçük n ve düşük güçte sonuçlar ayrışabilir; bunun için sonucu birden çok ölçütle raporlayın.

S8. Kırılma noktası GA'sı nasıl okunur?

delta yöntemi \hat\psi\pm t\cdot\operatorname{SH}(\hat\psi)'dir ve simetriktir; likelihood yüzeyi asimetrik olduğunda yanıltıcıdır. score ve gradient (Muggeo, 2017) düzgünleştirilmiş skor ve gradyan istatistiklerini tersine çevirir ve asimetrik olabilir. Sentetik örnekte \hat\psi_2=2009{,}36 için delta aralığı 2007{,}96–2010{,}76 gerçek 2011{,}4'ü kapsamaz; score aralığı 2008{,}39–2011{,}40 onu sınırda kapsar, gradient aralığı 2008{,}07–2011{,}19 kapsamaz. Yöntem seçimi sonucu değiştirdiğinde üçünü birlikte raporlayın.

S9. Karşı-olgusal eğilim ne kadar güvenilirdir?

Müdahale öncesi eğilimin ve mevsimselliğin değişmeden sürdüğünü varsayar. Başka bir eşzamanlı olay, mevsimsel kayma ya da regresyon-ortalamaya dönüş bu varsayımı bozar. Şablon karşı-olgusal için aralık vermez; \hat\beta belirsizliğinden gelen bant elle (delta yöntemi) hesaplanmalıdır.

104.10 Kaynaklar

  • Clegg, L. X., Hankey, B. F., Tiwari, R., Feuer, E. J., & Edwards, B. K. (2009). Estimating average annual per cent change in trend analysis. Statistics in Medicine, 28(29), 3670–3682. https://doi.org/10.1002/sim.3733
  • Breusch, T. S. (1978). Testing for autocorrelation in dynamic linear models. Australian Economic Papers, 17(31), 334–355. https://doi.org/10.1111/j.1467-8454.1978.tb00635.x
  • Davies, R. B. (1977). Hypothesis testing when a nuisance parameter is present only under the alternative. Biometrika, 64(2), 247–254. https://doi.org/10.1093/biomet/64.2.247
  • Davies, R. B. (1987). Hypothesis testing when a nuisance parameter is present only under the alternative. Biometrika, 74(1), 33–43. https://doi.org/10.1093/biomet/74.1.33
  • Durbin, J., & Watson, G. S. (1950). Testing for serial correlation in least squares regression. I. Biometrika, 37(3–4), 409–428. https://doi.org/10.1093/biomet/37.3-4.409
  • Fasola, S., Muggeo, V. M. R., & Küchenhoff, H. (2018). A heuristic, iterative algorithm for change-point detection in abrupt change models. Computational Statistics, 33(2), 997–1015. https://doi.org/10.1007/s00180-017-0740-4
  • Godfrey, L. G. (1978). Testing against general autoregressive and moving average error models when the regressors include lagged dependent variables. Econometrica, 46(6), 1293–1301. https://doi.org/10.2307/1913829
  • Harris, C. R., Millman, K. J., van der Walt, S. J., et al. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020-2649-2
  • Imhof, J. P. (1961). Computing the distribution of quadratic forms in normal variables. Biometrika, 48(3–4), 419–426. https://doi.org/10.1093/biomet/48.3-4.419
  • Kim, H.-J., Fay, M. P., Feuer, E. J., & Midthune, D. N. (2000). Permutation tests for joinpoint regression with applications to cancer rates. Statistics in Medicine, 19(3), 335–351. https://doi.org/10.1002/(SICI)1097-0258(20000215)19:3<335::AID-SIM336>3.0.CO;2-Z
  • Ljung, G. M., & Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297–303. https://doi.org/10.1093/biomet/65.2.297
  • Lopez Bernal, J., Cummins, S., & Gasparrini, A. (2017). Interrupted time series regression for the evaluation of public health interventions: A tutorial. International Journal of Epidemiology, 46(1), 348–355. https://doi.org/10.1093/ije/dyw098
  • Muggeo, V. M. R. (2003). Estimating regression models with unknown break-points. Statistics in Medicine, 22(19), 3055–3071. https://doi.org/10.1002/sim.1545
  • Muggeo, V. M. R. (2010). Comment on "Estimating average annual per cent change in trend analysis" by Clegg et al., Statistics in Medicine, 2009. Statistics in Medicine, 29(19), 1958–1960. https://doi.org/10.1002/sim.3850
  • Muggeo, V. M. R. (2016). Testing with a nuisance parameter present only under the alternative: A score-based approach with application to segmented modelling. Journal of Statistical Computation and Simulation, 86(15), 3059–3067. https://doi.org/10.1080/00949655.2016.1149855
  • Muggeo, V. M. R. (2017). Interval estimation for the breakpoint in segmented regression: A smoothed score-based approach. Australian & New Zealand Journal of Statistics, 59(3), 311–322. https://doi.org/10.1111/anzs.12200
  • Muggeo, V. M. R. (2026). segmented: Regression models with break-points / change-points estimation (with possibly random effects) (R paketi sürüm 2.2-2). https://doi.org/10.32614/CRAN.package.segmented
  • Newey, W. K., & West, K. D. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703–708. https://doi.org/10.2307/1913610
  • Newey, W. K., & West, K. D. (1994). Automatic lag selection in covariance matrix estimation. The Review of Economic Studies, 61(4), 631–653. https://doi.org/10.2307/2297912
  • R Core Team (2026). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
  • Virtanen, P., Gommers, R., Oliphant, T. E., et al. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2
  • Zeileis, A. (2004). Econometric computing with HC and HAC covariance matrix estimators. Journal of Statistical Software, 11(10), 1–17. https://doi.org/10.18637/jss.v011.i10
  • Zeileis, A., Köll, S., & Graham, N. (2020). Various versatile variances: An object-oriented implementation of clustered covariances in R. Journal of Statistical Software, 95(1), 1–36. https://doi.org/10.18637/jss.v095.i01
  • Zeileis, A., & Hothorn, T. (2002). Diagnostic checking in regression relationships. R News, 2(3), 7–10.