Autocorrelacao temporal

Gostei imenso da aula 8.13 sobre os filtros espaciais, e da maneira inteligente como foi resolvido. Todavia eu trabalho com cores marinhos e de lagos e apos ter pesquisado no forum nao vi nenhum topico sobre o assunto e, em particular sobre series temporais. Gostaria de saber se os filtros espaciais podem ser aplicados "adaptados" com uma matriz temporal (tipo bottom /top age) a uma dimensao temporal? Ou que outros tecnicas se aplicam e se seria possivel partilhar algum exemplo pratico. Obrigada desde ja pela atencao.

Sim, os mesmos métodos usados para autocorrelação espacial podem ser usados para autocorrelação temporal - eles são corriqueiramente usados, por exemplo, para autocorrelação filogenética.

A questão central a ser resolvida está relacionada apenas ao formato dos dados. Se o tempo puder ser representado, como você sugeriu, como uma matriz, então tudo irá fluir com tranquilidade.

Por outro lado, em alguns casos pode ser interessante estudar os métodos de análise de séries temporais, que são específicos para se estudar fenômenos ao longo do tempo (como flutuações populacionais, por exemplo).

Como sempre, a análise adequada está muito atrelada à combinação "pergunta + natureza dos dados".

Depois volto aqui, vou buscar exemplos que possam ajudar.

Abraços!

Obrigada pela resposta...fico a aguardar pelos exemplos. entretanto tambem vou procurando... Tenho andado a ver metodos aplicados a series temporais ..estou ainda em aprendizagem! mas as vezes nao e muito facil entender os codigos mais complicados e saber o que fazer perante cada questao que se coloca...mas pouco a pouco vou aprendendo mais ferramentas e a discernir caminhos!

Certo, vamos lá!

Uma questão que pode ser confusa e é interessante esclarecer é que podemos estudar o tempo de duas perspectivas diferentes:
1 - autocorrelação temporal, quando temos perguntas para fazer com os dados mas nos preocupamos com os efeitos do tempo. Neste caso, usar os mesmos métodos de autocorrelação espacial é possível, mas também há outros métodos (mais sobre isso a seguir).
2 - análise de série temporal, quando queremos conhecer o padrão de algo ao longo do tempo. Neste caso o tempo em si e seus efeitos é o objeto de estudo, então o foco não é na ideia de autocorrelação, e sim nos padrões ao longo do tempo.

---

Para 1, além dos métodos de autocorrelação espacial há algumas outras abordagens. Há alguns exemplos aqui neste tutorial:
http://www.flutterbys.com.au/stats/tut/tut8.3a.html

Mas caso os métodos que já vimos sejam o suficiente, não há problema em continuar com eles.

Para 2, aí temos todo um novo grupo de análises que se abre.
Aqui um tutorial simples: https://www.statmethods.net/advstats/timeseries.html
E aqui um mais detalhado: http://r-statistics.co/Time-Series-Analysis-With-R.html

Se quiser, podemos seguir aqui neste tópico discutindo ou tirando dúvidas, ok?

Abraços

Obrigada vou explorar os links, em alguns deles ja andei. Mas nao conhecia o primeiro com tutoriais.
Numa primeira abordagem o tempo e obviamente relevante porque quero saber como variou no caso (a vegetacao ao longo do tempo). No entanto no outro dia estive num workshop rapido sobre analise de series temporais e da necessidade de "detrended" (nao sei como se diz em portugues!) as diferentes series correspondendo a diferentes parametros antes de proceder por exemplo a uma simples correlacao, ou antes de comparar as duas series! Como a analise de dados e tudo muito novo para mim eu estou a tentar perceber o melhor a fazer. Todavia, vejo constantemente as pessoas a correlacionarem series sem qualquer detrended, apesar de ter sido dito nesse workshop que o valor da correlacao nao tem qualquer significado devido a autocorrelacao espacial (se percebi bem!).

Oi de novo!

"Detrened" normalmente se refere à remoção de um padrão ou viés que possam existir nos dados. Acho que isso depende da abordagem de análise, e acredito que nas análises de séries temporais existam métodos que já levam isso em consideração.

Qualquer coisa seguimos conversando, e posso buscar aprender mais sobre a análises de séries temporais para ajudar, ok?