Regularized Fingerprinting with Linearly Optimal Weight Matrix in Detection and Attribution of Climate Change
气候变化检测与归因中的正则化指纹法：线性最优权重矩阵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：摘要聚焦气候归因中的测量误差模型、收缩权重和区间推断，未明确涉及给定的因果识别或其他细分方法，因此保留空数组。
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…
气候变化检测与归因中的正则化指纹法：线性最优权重矩阵
- 研究问题
- 气候最优指纹法需要估计误差精度矩阵，如何在使用正则化权重时修正系数不确定性低估，并改善缩放因子的区间推断？
- 方法与思路
- 作者在线性收缩权重矩阵类中提出一致方差估计，再以最小化缩放因子的渐近方差为目标推导权重，并开展数值和年度温度应用研究。
- 材料陈述的贡献
- 摘要称，新方法改善了模拟中的经验覆盖率并缩短区间，在年度平均温度应用中得到更窄且更可靠的区间，并提供区域归因的新信息。
- 阅读关注点
- 应核对线性收缩类的限制、方差一致性条件，以及覆盖率与区间长度比较的基准；同时检查气候模拟误差和测量误差的处理方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明理论条件或数值结果，线性类内的最优性不能推及所有权重矩阵。
原文摘要
Climate change detection and attribution play a central role in establishing the causal influence of human activities on global warming. The dominant framework, optimal fingerprinting, is a linear errors-in-variables model in which each covariate is subject to measurement error with covariance proportional to that of the regression error. The reliability of such analyses depends critically on accurate inference of the regression coefficients. The optimal weight matrix for estimating these coefficients is the precision matrix of the regression error, which is typically unknown and must be estimated from climate model simulations. However, existing regularized optimal fingerprinting approaches often yield underestimated uncertainties and overly narrow confidence intervals that fail to attain nominal coverage, thereby compromising the reliability of analysis. In this paper, we first propose consistent variance estimators for the regression coefficients within the class of linear shrinkage weight matrices, addressing undercoverage in conventional methods. Building on this, we derive a linearly optimal weight matrix that directly minimizes the asymptotic variances of the estimated scaling factors. Numerical studies confirm improved empirical coverage and shorter interval lengths. When applied to annual mean temperature data, the proposed method produces narrower, more reliable intervals and provides new insights into detection and attribution across different regions.