Superposed epoch analysis using time-normalization: A Python tool for statistical event analysis
Notice bibliographique
Résumé
A superposed epoch analysis (SEA) is a simple, yet powerful statistical analysis technique, used to identify patterns in the temporal evolution of observed quantities relative to defined epochs. In some cases, the event duration and time between epochs (epoch length) can be highly variable. If the measured response scales with the event duration or epoch length, then the underlying temporal patterns can be suppressed when analyzed in absolute time. In this article, we describe an adaptation of the traditional SEA, where we apply time-normalization to each event and present a Python package sea_norm which implements the time-normalized SEA. Rather than defining a singular epoch time, a start, epoch, and end time are defined for each event, separating each event into two intervals. For every event, the duration of both intervals is normalized to a common time axis, essentially stretching or compressing each interval, such that each respective epoch interval is the same length for all events. This technique has the advantage of identifying temporal patterns not observed in a traditional SEA. Given a time series, a list of event start, epoch, and end times, and specified binning dimensions the Python package sea_norm returns a time-normalized SEA analysis of the time-series. This technique is widely applicable across the Space Physics field, where events have defined start and end times, and where the response to those events may scale proportionally with event length. We provide examples demonstrating how the SEA code works with one-dimensional and two-dimensional time series, and how users can specify their own statistics to use in the superposed analysis (e.g., percentiles).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».