时间序列数据插值问题(平均问题)

Question

你好，我想创建两个同位素数据(1970-1980)和(2010-2020)。正如你所提到的，这两幅地图的插值是基于每个时间段不同站点测量的平均值。

然而，我现在有一个问题，我没有所有站点的特定年份的数据。

例如，B站有1970-1974年和1979-1980年的数据。所以1975-1978年的数据缺失了!

但是，如果我现在计算这个站点的平均值，并将其与包括数据集(a)在内的所有10年的数据进行插值，我会扭曲我的模型!是否有一个简单的数学解决方案来加权数据?

是否可以将B平均值与0.7相乘，那么加权平均值将是3.5?

Answer 1

是否可以将B平均值与0.7相乘，那么加权平均值将是3.5?

不，这不是解决办法。这样做可以有效地将0值分配给没有数据的站，这是错误的做法。

如果你想填补缺失的数据，你必须应用数据插值技术。这种技术只有在采样点之间存在相关性时才有效。

为了填补这些空白，你必须做额外的计算。你使用哪种技术取决于你想要的结果或者是什么现在考虑到数据所适用领域的最新水平。

直到20世纪90年代中期到21世纪初，在使用区块建模方法估算矿石储量的品位值时，逆距离加权采用的方法。最初,$ \压裂{1}{d} $之所以使用，是因为这是一个相对快速的计算。后来人们发现距离倒数的平方美元(\压裂{1}{d ^ 2})美元结果更好。在某些情况下，与幂的距离成反比n美元，美元(\压裂{1}{d ^ n})美元,在那里n美元通常也在2到2.5之间使用。然而，一般来说，距离的平方反比在一段时间内成为了行业的“标准”。

与简单的距离倒数加权相比，距离平方倒数加权的好处在于，它对距离较多的样本赋予的权重较小。这是基于这样的逻辑:彼此接近的样品更有可能是在更相似的条件下沉积的，因此更有可能彼此相关。

自21世纪初以来，逆距离加权方法已被克里格．克里格与所有形式的逆距离加权之间的主要区别之一是克里格，权重的和等于1。对于其他方法，没有重量之和的限制或规格。

Answer 2

在长达一年的数据差距中，任何不考虑环境强迫的插值(即模型)都是不充分的比较。例如，在A中包含但在B中不包含的极端年份将极大地影响您的比较。我宁愿掩盖A数据集，以匹配B中可用的年份，或者使用基于过程的模型，用环境强迫数据输出所需的同位素数据来填充缺失的年份。