DiscussionThese results show that t

Discussion

These results show that the eight depression time series used in this study cannot be distinguished from their linear surrogates using nonlinear and linear in-sample forecasting methods. This result contrasts with the claim in Bonsall et al. ([2012]) that weekly time series from patients with bipolar disorder are described better by nonlinear than linear processes. Could the divergence between the studies be a result of selection: that is, that the Bonsall et al. study tended to select nonlinear series while this study selected linear series? An earlier paper ([Moore et al. 2012]) reported the prediction error for 100 patients from the same monitoring scheme used by both Bonsall et al. and this study. For 100 patients, the interquartile range of prediction errors (SES) is between 2 and 4 in units of the QIDS rating scale. It can be seen that the most of the results in Table 3 lie within this range. Further, the median RMSE forecast value over 100 patients is 2.7 (0.1 normalised) and the median error in Table 3 is 2.65 (0.1). The median forecast errors in Bonsall et al. are reported as 5.7 (0.21) for the stable group and 4.1 (0.15) for the unstable group (Bonsall et al. [2012], Data supplement). We note that the data set used in the present study might not be directly comparable with that used by Bonsall et al.: for example, the time series lengths are unlikely to be the same in each set. However, for the reasons given earlier in this paper, we suggest that high prediction errors in Bonsall et al. arise from the analysis rather than the selection of time series.

The question remains as to what kind of stochastic process best describes the weekly data. The relatively better performance of the linear methods suggests a low-order autoregressive process or a random walk plus noise model ([Chatfield 2002, S2.5.5]), for which simple exponential smoothing is optimal ([Chatfield 2002, S4.3.1]). However, the identification of system dynamics, which might be high dimensional and include unobserved environmental influences would be difficult using the data available.

ผลลัพธ์ (ไทย) 1:

อภิปรายผลลัพธ์เหล่านี้แสดงว่า ชุดเวลาแปดอาการซึมเศร้าที่ใช้ในการศึกษานี้ไม่แตกต่างไปจากตน surrogates เชิงเส้นโดยใช้วิธีการคาดการณ์เชิงเส้น และไม่เชิงเส้นในตัวอย่าง ผลความแตกต่างกับการเรียกร้องใน Bonsall et al. ([2012]) ที่ทุกสัปดาห์เวลาชุดจากผู้ป่วยที่มีโรคสองขั้วอธิบายไว้ดีกว่าโดย ไม่เชิงเส้นกว่ากระบวนการเชิงเส้น Divergence ระหว่างการศึกษาอาจเป็นผลมาจากการเลือก: เลือกที่การศึกษาของ Bonsall et al.แนวโน้มที่จะ เลือกชุดที่ไม่เชิงเส้นในขณะที่การศึกษานี้คือ อนุกรมเชิงเส้น มีกระดาษก่อนหน้า ([มัวร์ et al. 2012]) รายงานข้อผิดพลาดในการทำนาย 100 ผู้ป่วยจากโครงการการตรวจสอบเดียวกันใช้ โดย Bonsall et al.และการศึกษานี้ สำหรับผู้ป่วย 100 ช่วง interquartile คาดคะเนผิดพลาด (SES) อยู่ระหว่าง 2 และ 4 ในหน่วยของมาตราส่วนการจัดอันดับ QIDS จะเห็นได้ว่า ที่สุดของผลลัพธ์ในตารางที่ 3 อยู่ในช่วงนี้ เพิ่มเติม ค่าเฉลี่ย RMSE คาดการณ์มากกว่า 100 ผู้ป่วยเป็น 2.7 (ปกติ 0.1) และข้อผิดพลาดเฉลี่ยในตารางที่ 3 ค่าคือ 2.65 (0.1) ค่ามัธยฐานการคาดการณ์การรายงานข้อผิดพลาดใน Bonsall et al.เป็น 5.7 (0.21) สำหรับกลุ่มมีเสถียรภาพและ 4.1 (0.15) สำหรับกลุ่มไม่เสถียร (Bonsall et al. [2012], ข้อมูลอาหารเสริม) เราทราบว่า ชุดข้อมูลที่ใช้ในการศึกษาอาจไม่เทียบเท่ากับการใช้โดย Bonsall et al.โดยตรง: เช่น ความยาวชุดเวลาไม่น่าจะเหมือนกันในแต่ละชุด อย่างไรก็ตาม สำหรับเหตุผลที่รับก่อนหน้าในเอกสารนี้ เราแนะนำว่า ข้อผิดพลาดสูงทำนายใน Bonsall et al.ที่เกิดขึ้นจากการวิเคราะห์มากกว่าที่เป็นตัวเลือกของชุดข้อมูลเวลาThe question remains as to what kind of stochastic process best describes the weekly data. The relatively better performance of the linear methods suggests a low-order autoregressive process or a random walk plus noise model ([Chatfield 2002, S2.5.5]), for which simple exponential smoothing is optimal ([Chatfield 2002, S4.3.1]). However, the identification of system dynamics, which might be high dimensional and include unobserved environmental influences would be difficult using the data available.

ผลลัพธ์ (ไทย) 2:

การอภิปราย

ผลการศึกษานี้แสดงให้เห็นว่าอนุกรมเวลาแปดภาวะซึมเศร้าใช้ในการศึกษานี้ไม่สามารถประสบความสำเร็จจากอุ้มท้องเชิงเส้นของตนโดยใช้การไม่เชิงเส้นเชิงเส้นและวิธีการพยากรณ์ในตัวอย่าง ผลที่ได้นี้ขัดแย้งกับการเรียกร้องใน Bonsall et al, ([2012]) ที่อนุกรมเวลาสัปดาห์จากผู้ป่วยที่มีโรคสองขั้วจะมีคำอธิบายที่ดีขึ้นโดยไม่เป็นเชิงเส้นกว่ากระบวนการเชิงเส้น ความแตกต่างระหว่างการศึกษาอาจจะเป็นผลมาจากการเลือกนั่นคือว่า Bonsall et al, การศึกษามีแนวโน้มที่จะเลือกชุดไม่เชิงเส้นในขณะที่การศึกษาครั้งนี้เลือกชุดเชิงเส้น? กระดาษก่อนหน้านี้ ([มัวร์ et al. 2012]) รายงานข้อผิดพลาดการทำนายสำหรับผู้ป่วย 100 คนจากการตรวจสอบรูปแบบเดียวกับที่ใช้โดยทั้งสอง Bonsall et al, และการศึกษาครั้งนี้ 100 ผู้ป่วยช่วง interquartile ข้อผิดพลาดของการทำนาย (SES) อยู่ระหว่าง 2 และ 4 ในหน่วยงานของมาตราส่วน QIDS จะเห็นได้ว่าส่วนใหญ่ของผลในตารางที่ 3 การโกหกในช่วงนี้ นอกจากนี้การคาดการณ์เฉลี่ยค่า RMSE กว่า 100 ผู้ป่วยคือ 2.7 (0.1 ปกติ) และข้อผิดพลาดเฉลี่ยในตารางที่ 3 คือ 2.65 (0.1) ข้อผิดพลาดที่คาดการณ์เฉลี่ยใน Bonsall et al, จะมีการรายงานเป็น 5.7 (0.21) สำหรับกลุ่มที่มีเสถียรภาพและ 4.1 (0.15) สำหรับกลุ่มที่ไม่เสถียร (Bonsall et al. [2012] เสริมข้อมูล) เราทราบว่าชุดข้อมูลที่ใช้ในการศึกษาครั้งนี้อาจจะไม่ได้เปรียบโดยตรงกับที่ใช้โดย Bonsall et al .: ตัวอย่างเช่นความยาวอนุกรมเวลาไม่น่าจะเป็นเหมือนกันในแต่ละชุด แต่สำหรับเหตุผลที่ให้ไว้ก่อนหน้านี้ในบทความนี้เราจะแสดงให้เห็นว่าข้อผิดพลาดในการทำนายสูง Bonsall et al, เกิดขึ้นจากการวิเคราะห์มากกว่าการเลือกชุดเวลา.

คำถามที่ยังคงเป็นสิ่งที่ชนิดของกระบวนการสุ่มอธิบายข้อมูลรายสัปดาห์ ผลการดำเนินงานที่ค่อนข้างดีขึ้นของวิธีการเชิงเส้นที่แสดงให้เห็นกระบวนการอัตต่ำใบสั่งหรือเดินสุ่มบวกกับเสียงรบกวนรุ่น ([แช็ท 2002 S2.5.5]) ซึ่งง่ายเรียบชี้แจงจะดีที่สุด ([แช็ท 2002 S4.3.1]) . แต่บัตรประจำตัวของการเปลี่ยนแปลงระบบซึ่งอาจจะสูงมิติและรวมถึงอิทธิพลของสิ่งแวดล้อมโดยไม่มีใครสังเกตจะเป็นเรื่องยากโดยใช้ข้อมูลที่มีอยู่

ผลลัพธ์ (ไทย) 3:

การอภิปรายผลลัพธ์เหล่านี้แสดงให้เห็นว่าแปด depression อนุกรมเวลาที่ใช้ในการศึกษาครั้งนี้ จะแตกต่างจากตัวแทนของเชิงเส้นโดยใช้เส้นและเส้นในตัวอย่างวิธีการพยากรณ์ . ผลนี้แตกต่างกับการเรียกร้องใน bonsall et al . ( [ 2012 ] ) ที่เวลารายสัปดาห์ชุดจากผู้ป่วยไบโพลาร์จะอธิบายกระบวนการที่ดีกว่าโดยแบบจำลองเชิงเส้น ไม่สามารถความแตกต่างระหว่างการศึกษาได้ผลการคัดเลือก : คือว่า bonsall et al . การศึกษามีแนวโน้มที่จะเลือกชุดเชิงเส้นในขณะที่การศึกษานี้เลือกชุดเส้น ? กระดาษก่อน ( Moore et al . 2012 ] ) รายงานการคาดการณ์ผิดพลาด 100 ผู้ป่วยจากการตรวจสอบโครงการเดียวกันใช้ทั้ง bonsall et al . และการศึกษานี้ 100 ราย และค่าพิสัยระหว่างควอไทล์ของความคลาดเคลื่อนการพยากรณ์ ( SES ) อยู่ระหว่าง 2 และ 4 ในหน่วยของ qids มาตราส่วนประมาณค่า จะเห็นได้ว่าส่วนใหญ่ของผลในตารางที่ 3 อยู่ในช่วงนี้ นอกจากนี้ การคาดการณ์ค่ามัธยฐานค่า RMSE มากกว่า 100 รายเป็น 2.7 0.1 บาท ) และ มีความคลาดเคลื่อนเฉลี่ยใน 3 ตารางคือ 2.65 ( 0.1 ) โดยการพยากรณ์ใน bonsall et al . มีรายงานเป็น 5.7 ( 0.21 ) สำหรับกลุ่มที่มั่นคงและ 4.1 ( 0.15 ) สำหรับกลุ่มที่ไม่เสถียร ( bonsall et al . [ 2012 ] เพิ่มเติมข้อมูล ) เราทราบว่า ชุดข้อมูลที่ใช้ในการศึกษาอาจไม่ตรง เทียบเคียงกับที่ใช้โดย bonsall et al . : ตัวอย่างเช่น เวลาชุดความยาวไม่น่าจะเหมือนกันในแต่ละชุด อย่างไรก็ตาม สำหรับสาเหตุที่ได้รับก่อนหน้านี้ในบทความนี้เราขอแนะนำให้มันสูงทำนายข้อผิดพลาดใน bonsall et al . เกิดขึ้นจากการวิเคราะห์มากกว่าการเลือกของอนุกรมเวลาคำถามที่ยังคงเป็นสิ่งที่ชนิดของกระบวนการ stochastic ที่ดีที่สุดอธิบายข้อมูลรายสัปดาห์ ค่อนข้างประสิทธิภาพที่ดีขึ้นของวิธีการเชิงเส้นแสดงให้เห็นลำดับต่ำอัตตสัมพันธ์ หรือเดินสุ่มพลัสรูปแบบเสียง ( [ แช็ตฟิลด์ 2002 s2.5.5 ] ) ซึ่งชี้แจงเรียบง่ายที่สุด ( [ แช็ตฟิลด์ 2002 s4.3.1 ] ) อย่างไรก็ตาม การวิเคราะห์พลวัตของระบบ ซึ่งอาจจะสูงและมิติ รวมถึงอิทธิพลจากสิ่งแวดล้อม unobserved คงจะยาก โดยใช้ข้อมูลที่มีอยู่