Deshalb untersuche ich weiterhin Muster in meinen täglichen biometrischen Daten. Diesmal: tägliche Schritte.
GAMs (generalisierte additive Modelle) sind großartig, aber ihre Natur besteht darin, Dinge zu glätten. Deshalb habe ich beschlossen, BEAST auszuprobieren, einen Bayes’schen Changepoint-Detektor, der stattdessen nach abrupten Verschiebungen sucht. Und ja, es funktioniert.
Panel A (BIEST). Lila Segmente zeigen Regimemittelwerte zwischen erkannten Änderungspunkten. Der niedrigste Wert stimmt fast genau mit der ersten „Stay-at-Home“-Anordnung in San Diego im Frühjahr 2020 überein, genau zu dem Zeitpunkt, als auch alle anderen abgeriegelt wurden. Der Sprung direkt danach zeigt, dass ich mich anpasse, und dann gibt es einen schönen Schritt in Schritten, als die Beschränkungen im Jahr 2021 vollständig aufgehoben werden. Das wird anscheinend mit mehr Spaziergängen gefeiert. Danach pendelt es sich langsam für drei Jahre auf ein stabiles Regime ein, mit einem leichten Anstieg ganz am Ende des Jahres 2025.
Panel B (GAM). Dieselben Daten mit dem glatten Trend des GAM, überlagert auf einer Kernel-Dichte-Heatmap. Das GAM erfasst das meiste davon, allerdings als langsamen Trend und nicht als scharfe Brüche. Es verfehlt die Klippe von 2020 und verwandelt den Sprung in einen sanften Durchhang. Smooths können keine Cliffs machen.
Panel C (zyklische Glättungen). Hier glänzt das GAM. Wochentage sind höher, Wochenenden niedriger. Anscheinend ist das Wochenende für mich Ruhe- und Erholungszeit. Und die saisonale Glätte zeigt eine sanfte Sommerbeule. Im Sommer bin ich aktiver.
Keines der Daten (Sperrungen, Wiedereröffnung) wurde an eines der Modelle weitergegeben. Sie haben sie selbst gefunden. Der Körper behält also tatsächlich die Punktzahl/erinnert sich/reagiert.
Werkzeuge: R, Rbeast für die Bayes’sche Changepoint-Erkennung, mgcv für das GAM, ggplot2 und Patchwork für die Komposition. Vollständige Beschreibung mit Code.
Daten: mein eigener Garmin Connect-Export.
Von rrytas