使用 R 减少序列分析中的时间范围

Question

我有一个在很长一段时间内发生的序列。我尝试了 8 种不同的算法来对我的序列进行分类（OM、CHi2、...）。时间从 1 到 123。我有 110 个个人和 8 个事件。

我的结果不如预期。首先，它非常难以阅读。其次，一个类别包含太多的代表序列（group3）。第三，每组的序列数量确实不平衡。

这可能是因为我的时间变量的范围是 123。我搜索了时间范围过长的文章。我在 Sabherwal 和 Robey (1993) 以及 Shi 和 Prescott (2011) 中读到，您可以标准化“通过将所需的转换数量除以较长序列的长度来实现每个序列”。我怎样才能在 R 中做到这一点？

请在下面找到我的数据描述：

library(TraMineRextras)
head(seq.tse.data)
seq.tse.data <- structure(list(
ID = c(1L, 2L, 2L, 3L, 3L, 3L, 3L, 3L, 4L, 4L, 4L, 4L, 
     4L, 4L, 4L, 5L, 5L, 5L, 6L, 6L, 6L, 6L, 6L, 6L, 
     6L, 6L, 7L, 7L, 7L, 7L, 7L, 7L, 7L, 7L),
Year = c(2008L, 2010L, 2012L, 2007L, 2009L, 2010L, 2012L,
       2013L, 1996L, 1997L, 1999L, 2003L, 2006L, 2008L, 
       2012L, 2007L, 2007L, 2008L, 2003L, 2007L, 2007L,
       2009L, 2009L, 2011L, 2014L, 2016L, 2006L, 2009L, 
       2011L, 2013L, 2013L, 2015L, 2015L, 2016L), 
Event = c(5L, 4L, 5L, 3L, 1L, 5L, 5L, 5L, 3L,3L,3L,3L,3L,5L, 1L, 5L,
5L,5L,4L,5L, 5L, 5L, 5L, 5L, 5L,5L,5L,5L, 4L, 4L, 1L, 4L, 1L,5L)), 
      class = "data.frame", row.names = c(NA, -34L)
      )
    seq.sts <- TSE_to_STS(seq.tse.data,
                     id = 1, timestamp = 2, event = 3, 
                     stm =NULL, tmin = 1935, tmax = 2018,
                     firstState = "None")    
seq.SPS <- seqformat(seq.sts, 1:84, from = "STS", to = "SPS")
seq.obj <- seqdef(seq.SPS)
> head(seq.tse.data)
  ID Year Event
1  1 2008     5
2  2 2010     4
3  2 2012     5
4  3 2007     3
5  3 2009     1
6  3 2010     5
> head(seq.obj)
    Sequence                            
[1] (None,74)-(5,10)-1                  
[2] (None,76)-(4,2)-(5.4,6)-2           
[3] (None,73)-(3,2)-(3.1,1)-(5.3.1,8)-3 
[4] (None,62)-(3,12)-(5.3,4)-(5.3.1,6)-3
[5] (None,73)-(5,11)-1                  
[6] (None,69)-(4,4)-(5.4,11)-2  

> head(alphabet(seq.obj),10)
 [1] "(1,1)"  "(1,10)" "(1,11)" "(1,12)" "(1,14)" "(1,19)" "(1,2)"  "(1,21)" "(1,25)" "(1,3)" 
...
[145] "(5.4.3.1,5)"   "(5.4.3.1,6)"   "(5.4.3.1,7)"   "(5.4.3.1,8)"   "(5.4.3.1.2,9)" "(None,1)"      "(None,11)"     "(None,20)"    
[153] "(None,26)"     "(None,30)"     "(None,38)"     "(None,41)"     "(None,42)"     "(None,44)"     "(None,45)"     "(None,49)"    
[161] "(None,51)"     "(None,53)"     "(None,55)"     "(None,57)"     "(None,58)"     "(None,59)"     "(None,60)"     "(None,61)"    
[169] "(None,62)"     "(None,64)"     "(None,65)"     "(None,66)"     "(None,67)"     "(None,68)"     "(None,69)"     "(None,7)"     
[177] "(None,70)"     "(None,71)"     "(None,72)"     "(None,73)"     "(None,74)"     "(None,75)"     "(None,76)"     "(None,77)"    
[185] "(None,78)"     "(None,79)" 

提前致谢，

安东尼

Answer 1

我猜你的问题是关于标准化序列之间的差异。例如，Sabherwal 和 Robey (1993, p 557) 参考了 Abbott & Hyrcac (1990) 提出的距离标准化，根本不考虑序列的标准化。无论如何，我无法弄清楚序列的标准化可能是什么。

TraMineR 的 seqdist 函数有一个 norm 参数，可用于规范化一些建议的距离度量。以下是seqdist 帮助页面的摘录：

距离可以选择通过 norm 参数进行归一化。 如果设置为“auto”，则 Elzinga 的归一化（相似度除以 两个序列长度的几何平均值）应用于“LCS”， “LCP”和“RLCP”距离，而 Abbott 的归一化（距离 除以较长序列的长度）用于“OM”、“HAM”和 “DHD”。 Elzinga 的方法可以强制使用“gmean”和 Abbott 的规则 与“最大长度”。使用“maxdist”，距离由其标准化 最大可能值。有关详细信息，请参阅 Gabadinho 等人。 （2009 年， 2011）。最后，“御剑博”是御剑提出的归一化， Bo (2007) 保留了三角不等式。

让我警告您，虽然标准化使两个短序列（例如长度为 10）之间的距离与两个长序列（例如长度为 100）之间的距离更具可比性，但它并不能解决比较不同长度序列的问题。

您可以在Elzinga & Studer (2016) 中找到关于序列分析中距离和相似性归一化的详细讨论。