机构名称：
¥ 2.0
环境现象。在气候科学中，在包括温度在内的广泛变量的建模中已经取得了显着的进步（Clarkson等人。2023），降水（Katz 1999），风速（Kunz等2010; Fawcett和Walshaw 2006）以及其他更广泛的环境主题（包括水文学）（Towler等人2010; Katz等。2002）和空气污染（Gouldsbrough等人 2022）。 在本文中，我们概述了“ Uniofbathtopia”团队在第13届国际极端价值分析会议（EVA2023）举办的数据挑战中使用的技术。 可以在社论中找到对任务的完整描述（Rohrbeck等人 2023）。 我们概述了四个子挑战中的每一个方法，在该方法中，我们根据每个任务的要求，将极值统计的传统方法与其他统计学建模技术进行补充。 挑战涉及在环境应用的背景下，在“乌托邦”的精美国家设计的环境应用中估算极边缘的分位数，边缘超出概率和关节尾概率。 竞争组织者使用已知参数模拟了数据，以便可以验证和比较团队的模型，并以模仿现实世界过程所表现出的丰富，复杂的行为。 因此，我们期望我们提出的方法的性能扩展到一般设置和应用程序。 我们还使用引导方法进行置信间隔估计（Gilleland 2020）。 2013）。2002）和空气污染（Gouldsbrough等人2022）。在本文中，我们概述了“ Uniofbathtopia”团队在第13届国际极端价值分析会议（EVA2023）举办的数据挑战中使用的技术。可以在社论中找到对任务的完整描述（Rohrbeck等人2023）。我们概述了四个子挑战中的每一个方法，在该方法中，我们根据每个任务的要求，将极值统计的传统方法与其他统计学建模技术进行补充。挑战涉及在环境应用的背景下，在“乌托邦”的精美国家设计的环境应用中估算极边缘的分位数，边缘超出概率和关节尾概率。竞争组织者使用已知参数模拟了数据，以便可以验证和比较团队的模型，并以模仿现实世界过程所表现出的丰富，复杂的行为。因此，我们期望我们提出的方法的性能扩展到一般设置和应用程序。我们还使用引导方法进行置信间隔估计（Gilleland 2020）。2013）。在单变量任务中，我们使用了广义帕累托分布（GPD），并使用基于模型的聚类方法在内（Hastie等人。2009）和混合模型（Fraley and Raftery 2002）以及马尔可夫链蒙特卡洛（MCMC）进行参数估计（Coles and Powell 1996）。对于多元问题，我们的方法基于定期变化随机变量的最大线性组合的参数族（Fougères等人。我们使用现代的现代精学学习技术（包括稀疏诱导的预测和聚类），推动了对这些模型进行推理的新方法，推进了现有方法（Cooley and Thibaud 2019; Kiriliouk and Zhou 2022）。我们工作的新方面是：探索尾尾行为不确定性较大的系统的MCMC参数估计偏置，并提出了基于稀疏投影的Max-linear模型的噪声系数的新估计器。本文的格式如下：第2节描述了我们针对单变量挑战的解决方案，每个挑战将每个挑战分为方法论和结果。第3节介绍了必要的背景理论，这些理论是从多变量极端的。我们在第4节中对我们的绩效进行了一些最后的讨论。
分析模拟环境极端的极端价值统计
主要关键词
相关文件推荐
