Stable sums to infer high return levels of multivariate rainfall time series
用稳定和方法推断多元降雨时间序列的高重现水平AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：研究对象是降雨极值时间序列，未涉及所列宏观时间序列或金融风险方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用稳定和方法推断多元降雨时间序列的高重现水平
- 研究问题
- 如何在保留极端降雨时间与空间依赖的同时估计高重现水平，并避免为获得时间独立性而进行复杂的去簇处理？
- 方法与思路
- 作者提出稳定和方法，以正则变化平稳时间序列的大偏差结果为基础，将时间及空间极端依赖纳入重尾分析。
- 材料陈述的贡献
- 摘要称单变量实验改善了置信区间准确性，多变量模拟较逐分量实施具有更小均方误差，并应用于法国气象站降雨。
- 阅读关注点
- 核对稳定和统计量及重现水平的定义，检查正则变化、平稳性和依赖条件，以及单变量与多变量比较的实施方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供尾部参数限制、具体误差数值及对其他气候数据的适用性。
原文摘要
Heavy rainfall distributional modeling is essential in any impact studies linked to the water cycle, e.g.\ flood risks. Still, statistical analyses that both take into account the temporal and multivariate nature of extreme rainfall are rare, and often, a complex de-clustering step is needed to make extreme rainfall temporally independent. A natural question is how to bypass this de-clustering in a multivariate context. To address this issue, we introduce the stable sums method. Our goal is to incorporate time and space extreme dependencies in the analysis of heavy tails. To reach our goal, we build on large deviations of regularly varying stationary time series. Numerical experiments demonstrate that our novel approach enhances return levels inference in two ways. First, it is robust concerning time dependencies. We implement it alike on independent and dependent observations. In the univariate setting, it improves the accuracy of confidence intervals compared to the main estimators requiring temporal de-clustering. Second, it thoughtfully integrates the spatial dependencies. In simulation, the multivariate stable sums method has a smaller mean squared error than its component-wise implementation. We apply our method to infer high return levels of daily fall precipitation amounts from a national network of weather stations in France.