Biologische Prozessdaten korrekt vorbereiten

Biologische Prozessdaten korrekt vorbereiten

Beitragvon melchior » Di 12. Mai 2020, 10:12

Hallo zusammen

Im Zuge meiner Master Arbeit, versuche ich die online Prozessdaten (alle paar Sekunden aufgenommene Sensorsignale) einer biologischen Kultivierung von Hefen/E. Coli, Mikroalgen, etc. und die offline Daten (unregelmässig und nur etwa 30 manuell genommene Proben über den ganzen Prozess (40h), welche dann analysiert wurden (z.B. mittels Durchflusszytometrie)) best möglich vorzubereiten für die Faktorenanalyse, um bisher nicht ersichtliche Zusammenhänge der online und offline Daten aufzudecken.

Durch die unterschiedliche Frequenz der Proben stiess ich dabei allerdings auf Schwierigkeiten (bin auch noch relativ unerfahren auf dem Gebiet der Statstik...)
Ich habe es mit “Available Case Analysis”, lineare Interpolation und Imputations Methoden versucht (Cold, Hot, Mean). Die Resultate kann man brauchen, aber ich bin mir sicher, dass jemand schon auf ein sehr ähnliches Problem gestossen ist und mir hier eine Empfehlung geben könnte, wie ich am besten vorgehen soll?


Danke viel Mals für all eure Hilfe!
melchior
Einmal-Poster
Einmal-Poster
 
Beiträge: 1
Registriert: Mo 11. Mai 2020, 19:00
Danke gegeben: 0
Danke bekommen: 0 mal in 0 Post

Re: Biologische Prozessdaten korrekt vorbereiten

Beitragvon Holgonaut » So 17. Mai 2020, 14:41

Hi Melchior,

Dein Problem/Forschungsfrage ist mir nicht richtig klar. Du willst eine Datenerhebungsart (offline/online) durch die andere vorhersagen; beide haben aber unterschiedliche zeitliche Granularitäten? Was hat der Begriff der Faktorenanalyse da zu suchen?

Wenn meine Annahme stimmt, kannst du die feiner granulären Daten nicht auf das Messniveau der anderen Art hochaggregieren und dann ein panel-/Zeitreihenmodell rechnen? Alternative wäre continuous time modeling, welches kontinuilierliche zeitliche Funktionen aufgrund von kategorialen Messungen schätzt; auch mit mehreren Variablen (und deren Zusammenhänge). Dafür gibt's das R-Paket CTSEM.

Driver, C. C., Oud, J. H., & Voelkle, M. C. (2017). Continuous time structural equation modeling with R package ctsem. Journal of Statistical Software.

Boker, S. M., & Wenger, M. J. Data analytic techniques for dynamical systems. Mahwah: Lawrence Erlbaum Associates.

Grüße
Holger
Holger Steinmetz
Leibniz Institute for Psychology Information (ZPID)
Profil: https://bit.ly/2F2u7DQ
Holgonaut
Foren-Unterstützer
Foren-Unterstützer
 
Beiträge: 598
Registriert: Do 2. Jun 2011, 18:20
Danke gegeben: 1
Danke bekommen: 161 mal in 154 Posts


Zurück zu Faktorenanalyse

Wer ist online?

Mitglieder in diesem Forum: 0 Mitglieder und 0 Gäste