Anda di halaman 1dari 1

sifat variasi suasana hati dalam gangguan bipolar telah menjadi subyek penelitian relatif sedikit karena

waktu rinci data seri telah sulit untuk mendapatkan sampai saat ini. Namun beberapa kertas telah
membahas subjek dan mengklaim kehadiran deterministik chaos dinamika Dan stochastic nonlinier.
Penelitian ini menggunakan data suasana dikumpulkan frim delapan pasien rawat jalan menggunakan
sistem telemonitoring. sifat dinamika suasana hati dalam gangguan bipolar diselidiki menggunakan
teknik Data pengganti dan peramalan nonliner. untuk analisis data pengganti, perkiraan kesalahan dan
waktu statistik asimetri reserval digunakan. asli time series cannotbe dibedakan dari pengganti linear
mereka ketika menggunakan statistik uji nonlinier, juga tidak ada perbaikan dalam kesalahan perkiraan
untuk nonlinear lebih metode peramalan linier. metode sampel peramalan nonlinear tidak memiliki
keuntungan lebih dari metode linear dalam peramalan sampel out-of-untuk time series sampel secara
mingguan. hasil ini dapat berarti bahwa baik seri asli memiliki dynamis linier, tes statistik untuk
membedakan linear dari perilaku nonlinear tidak memiliki kekuatan untuk mendeteksi jenis non-linear
ini, atau proses ini nonlinear tapi sampling tidak memadai untuk mewakili dinamika. kami menyarankan
bahwa penelitian lebih lanjut harus menerapkan teknik yang mirip dengan data yang lebih sering sampel

the nature of mood variation in bipolar disorder has been the subject of relatively little research because
detailed time series data has been difficult to obtain until recently. however some papers have
addressed the subject and claimed the presence of deterministic chaos dan stochastic nonlinear
dynamics. this study uses mood data collected frim eight outpatients using a telemonitoring system. the
nature of mood dynamics in bipolar disorder is investigated using surrogate data techniques and
nonliner forecasting. for the surrogate data analysis, forecast error and time reserval asymmetry
statistics are used. the original time series cannotbe distinguished from their linear surrogates when
using nonlinear test statistics , nor is there an improvement in forecast error for nonlinear over linear
forecasting methods. nonlinear sampel forecasting methods have no advantage over linear methods in
out-of- sample forecasting for time series sampel on a weekly basis. these results can mean that either
the original series have linear dynamis, the tes statistics for distinguishing linear from nonlinear
behaviour do not have the power to detect the kind of nonlinearity present, or the process is nonlinear
but the sampling is inadequate to represent the dynamics. we suggest that further studies should apply
similar techniques to more frequently sampled data