Adaptable Fingerprinting with Nonlinear Shrinkage for Climate Change Detection and Attribution under Variance Heterogeneity
方差异质性下基于非线性收缩的气候变化检测与归因指纹法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：摘要研究气候测量误差回归与协方差收缩，未明确对应所列经济计量细分领域。
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…
方差异质性下基于非线性收缩的气候变化检测与归因指纹法
- 研究问题
- 气候指纹回归中，有限控制模拟、高维误差协方差及预测变量的方差膨胀如何影响归因系数估计和置信区间？
- 方法与思路
- 作者用非线性旋转不变收缩估计精度矩阵，联合估计尺度系数和变异膨胀因子，并构造方差估计及残差一致性检验。
- 材料陈述的贡献
- 摘要称该方法恢复高维总体最小二乘的渐近最优性，数值研究改善区间覆盖，并在年度气温应用中获得更窄的区间。
- 阅读关注点
- 应核对比例协方差设定、高维渐近条件、最优性准则及残差检验校准，检查气温应用中的基准方法和覆盖可靠性依据。
- 阅读边界
- 仅据arXiv v1预印本摘要，不能确认同行评审或接收。摘要未给出完整条件与数值结果，区间更窄本身不能证明推断更可靠。
原文摘要
Detection and attribution of climate change relies on fingerprinting--a linear errors-in-variables regression framework in which both predictors and responses exhibit internal variability governed by a proportional covariance structure, subject to a variability inflation factor. Accurate estimation of the scaling factors (regression coefficients) depends on inferring the precision matrix of the regression errors from limited climate model control runs. In high-dimensional settings, existing approaches often overlook the variance inflation of the predictors and suffer from imprecise precision matrix estimates, yielding biased estimators, underestimated uncertainties, and confidence intervals with poor coverage. We propose a nonlinear, rotation-invariant shrinkage framework for estimating the precision matrix that restores the asymptotic optimality of the total least squares estimator in high-dimensional regimes. Our procedure jointly estimates the scaling factors and the variability inflation factor, thereby correcting estimation bias, and incorporates consistent variance estimators to enable valid uncertainty quantification. We also develop a residual consistency test to assess model adequacy. Numerical studies demonstrate precise estimation, improved confidence interval coverage, and higher efficiency. Applied to annual mean near-surface air temperature data from 1951--2020, our method produces narrower and more reliable confidence intervals, yielding refined attribution results.