• Hay un patron temporal-circadiano para AGT?
• Ese patron temporal depende del ciclo luminico?
• Hay un patron temporal estacional?
• Hay distintos patrones para distintos triggers?

Dividimos el año en periodos de 90 dias alrededor de los puntos de mayor o menor luminosidad (solsticios y equinoccios)

Invernal

Vernal/otoñal

Estival

This distribution is described by a mean direction φ (q) and concentration parameter κ, which are analogous to the mean μ and reciprocal of the variance 1/σ2 of the normal distribution, respectively. The Rayleigh test compares the likelihood of the data assuming a uniform von Mises distribution (κ=0) with the likelihood assuming a non-uniform von Mises distribution (κ>0). Rao test is the extension for non uniformal or multimodal, test unformity against non uniformity

## 
##        Rayleigh Test of Uniformity 
##        General Unimodal Alternative 
## 
## Test Statistic:  0.387 
## P-value:  0

## 
##        Rao's Spacing Test of Uniformity 
##  
## Test Statistic = 290.8537 
## P-value < 0.001 
## 

Los resultados sugieren que la distribucion no tienen uniformidad (siguen direccion especificas) y el test de Rao que tiene mas de una. Vamos a modelar para ver si una o varias direcciones especificas tienen mas sentidos

Vamos a testear que modelos explican mejor lo que observamos utilizando la propuesta de: https://journals.biologists.com/jeb/article/220/21/3878/33774/Bringing-the-analysis-of-animal-orientation-data

El modelo M5B tiene lamejor perfomance descriptiva sobre los datos El modelo se llama bimodal, sugiere que hay dos modas y esas modas pueden tener diferencias de magnitud significativas entre ellas. Entonces el parametro q y el k de cada uno serian:

##          q1       k1       q2       k2
## M5B 18.4225 7.257465 10.46603 14.97712

Ploteamos el resultado

dataset_agt$time<-sapply(dataset_agt$hour, convert_to_decimal)


dataset_agt %>%
  select(23:38) %>%  
  summarise_all(sum)

##   gatillante estres coito valsalva llanto tos defecar agacharse levantar_peso
## 1        193     68    35       43      2  NA      15         5             1
##   ejercicio vomitos inmersion_agua_fria inmersion_agua_caliente viaje_largo
## 1        35       4                   1                      23           5
##   medicacion no_filiado
## 1          2        117

# seleccion: estres, coito, agua caliente, no filiado

Estres

## Triggers patron temporal

Agua Caliente

Coito

A named 4-element vector: obs = observed overlap index; null = mean null overlap index; seNull = standard error of the null distribution; pNull = probability observed index arose by chance. m1: coito, m2: estres, m3: baño caliente

compareCkern(m1,m2,reps=100)

##       obs      null    seNull     pNull 
## 0.8803483 0.8317050 0.0466317 0.9100000

compareCkern(m1,m3,reps=100)

##        obs       null     seNull      pNull 
## 0.77385289 0.79154120 0.06240732 0.34000000

compareCkern(m2,m3,reps=100)

##        obs       null     seNull      pNull 
## 0.74110182 0.78609026 0.05845287 0.21000000

• Hay un patron temporal-circadiano para stroke?
• Ese patron temporal depende del ciclo luminico?
• Hay un patron temporal estacional?
• Hay distintos patrones para distintos subtipos

## Patron temporal circadiano - deteccion modal

## 
##        Rao's Spacing Test of Uniformity 
##  
## Test Statistic = 259.0506 
## P-value < 0.001 
## 

## 
##        Watson's Test for Circular Uniformity 
##  
## Test Statistic: 1.8901 
## P-value < 0.01 
## 

Invernal

Vernal/otoñal

Estival

A named 4-element vector: obs = observed overlap index; null = mean null overlap index; seNull = standard error of the null distribution; pNull = probability observed index arose by chance. m1: invierno, m2: primavera/otoño, m3: verano

compareCkern(m1,m2,reps=100)

##       obs      null    seNull     pNull 
## 0.8406299 0.8638275 0.0272460 0.2100000

compareCkern(m1,m3,reps=100)

##        obs       null     seNull      pNull 
## 0.80212918 0.86567117 0.03866086 0.07000000

compareCkern(m2,m3,reps=100)

##        obs       null     seNull      pNull 
## 0.88859238 0.90693224 0.02844375 0.25000000

##           q1      k1       q2       k2
## M5B 19.77468 4.07946 10.71813 12.10851

Ploteamos el resultado