BME case study

这篇博客主要是记录下BME做的几个case，使用的是BMEGUI给的几个案例。关于BME和BMEGUI的理论介绍可以详细参阅我的上一篇博客，点击这里。
具体来说，首先跑的是tutorial6，然后跑的是tutorial4，通过这两个例子就可以很好掌握BMEGUI这个软件了。

1.tutorial6

首先跑的是tutorial6，这个tutorial主要讲的是Mean trend，是否去除global Mean trend对后面的方差模型和其他分析的影响。
global Mean trend可以自己设置参数来提取出数据的global trend，参数主要是设置global mean trend的光滑程度，如果很光滑，那么提取的信息是uninformative，即方差很小的，如果很不光滑，那么数据是informative，即方差是很大的。但是数据也并非越多越好，因为这里提取的越多，那么后面方差模型和BME估计可利用的信息就少了，还是需要结合情况来看。
第一次我们将时空平滑参数都设置的比较大，结果提取出的global mean trend如下图所示，可见时间和空间的平滑都是很大的，几乎是一条水平线，raw data和平滑后的data的空间分布也十分相似，这个global mean trend就只是去掉一个数据中的截距项而已。



时间维度的BME估计结果如下图所示：

上图只有有绿色线段部分是做了BME估计的，其他天就没做估计。
然后修改global mean trend的拟合参数，将平滑参数设置的非常小，也就是比较细节地去捕捉局部信息，这个得到的global mean trend方差就比较大。
得到global mean trend如下图所示：



BME估计结果如下图所示：

通过上述两个不同的全局均值平滑效果可以看到，如果全局均值平滑参数设置大，也就是平滑很强，那么后续BME估计就可以利用较多的信息，因此BME的置信区间就相对大，如果全局均值不怎么平滑，那么BME估计可利用信息也就少了，那么BME估计得到的置信区间也小，两个估计值细节方面也呈现出一定的差异。
结论

Conclusion: The degree of smoothness in the space/time global offset can be controlled by the search radius and smoothing range parameters. A very informative space/time global offset leaves too little autocorrelation in the residuals to conduct a successful geostatistical analysis of the residual field. On the other hand, a flat space/time global offset leaves a large variability in the residuals which produces a covariance model with high variance. Thus, there is a tradeoff between residual variability and autocorrelationrange, and hence one should choose a space/time global offset which capture some variability in data and leaves reasonable autocorrelation in the residuals to conduct a successful geostatistical analysis of the residual field.

2.tutorial4

这个tutorial就是一个完整的包括软硬数据的时空数据估计预测过程。
首先对数据进行聚合，每30天聚合一次，然后绘制出数据的global mean trend，结果如下，后续分析减去这个global mean trend，使用数据残差进行分析。


使用2 structure去拟合Covariance Model，得到结果如下：

时间维度拟合得极差，不知道为什么，例子中就这样过了。
之后进行BME估计，结果如下。


类似地，可以做一些时间维度的BME估计，结果如下所示：

3.其他一些疑问解释

其他我还有一些关注的东西，最主要的是我怎么去做预测，因为一个方法要评价其优劣，现在一般都是用机器学习的套路，统计学的话一般都是用$R^2$。
其实就可以正常划分训练集和测试集，以tutorial2为case，把tutorial2中的数据全部放进去，然后比如我想要预测t10-20，就在BME估计的时候设置时间窗为20就可以了，结果如下：图中t为10-20都是我估计的。

空间的预测也类似，BME estimation的时候空间设置的大一些就可以做空间预测了，不再详述。