Question

我有两个数据集，分别是气候变化下的基线期（1961-2000年）和未来时间范围（2061-2100年）。我在R中嵌入的extRemes软件包中都安装了fevd函数，并且通过KS测试在统计上都具有显着性（分别为p = 0.79、0.90）。但是，对于基线期，拟合的参数形状为负（位置= 49.7，比例尺= 14.9，形状= -0.089），因此，右尾部被低估了，返回期的估计值为50、100、1000年分别是97、104和124.8。样本中的最大值为103.89，根据经验可以将其视为40年的回收期。与将来的时间片相比，基线期的1000年回报期将小至30年。这显然是不合逻辑的。显然，这是由于基线期间右冰雹的估计误差较大。我试图在似然计算中增加右尾的权重（通过在fevd中指定weights参数）。但是我不知道如何为新配件进行显着性检验？通常，它在统计上不显着，并且估计的参数不稳定。

如何处理此类问题？下面是测试数据：

require(extRemes)
require(evd)

# no weights
weights=1
fit=fevd(xb,type="GEV",method=c("MLE","GMLE")[2],verbose=TRUE,weights=1)
ksb=ks.test(fit$x,pgev,fit$results$par[1],fit$results$par[2],fit$results$par[3])
print(fit$results)
#Location    Scale       shape
#47.91380457 14.90826196 -0.08899684
print(ksb)
#D = 0.099517, p-value = 0.7866
return.level(fit,return.period=c(50,100,1000))
#97.05897       104.19041       124.83811

fit=fevd(xf,type="GEV",method=c("MLE","GMLE")[2],verbose=TRUE,weights=1)
ksf=ks.test(fit$x,pgev,fit$results$par[1],fit$results$par[2],fit$results$par[3])
print(fit$results)
#Location    Scale       shape
#45.4775676 13.0846847  0.3677431 
print(ksf)
#D = 0.085989, p-value = 0.9042
return.level(fit,return.period=c(50,100,1000))
#159.3110        203.0502        461.0956 


#weighted
weights=c(rep(1,35),rep(30,5))
fit=fevd(xb,type="GEV",method=c("MLE","GMLE")[2],verbose=TRUE,weights=weights)
ksb=ks.test(fit$x,pgev,fit$results$par[1],fit$results$par[2],fit$results$par[3])
print(fit$results)
#Location    Scale       shape
#69.05423757 20.14142692  0.03734749
print(ksb)
#D = 0.50196, p-value = 0
return.level(fit,return.period=c(50,100,1000))
#153.6599        170.1430        227.7687

fit=fevd(xf,type="GEV",method=c("MLE","GMLE")[2],verbose=TRUE,weights=weights)
ksf=ks.test(fit$x,pgev,fit$results$par[1],fit$results$par[2],fit$results$par[3])
print(fit$results)
#Location    Scale       shape
#80.88160150 30.12867059  0.05011096
print(ksf)
#D = 0.57544, p-value = 0
return.level(fit,return.period=c(50,100,1000))
#210.7223        236.7541        329.5452

如何减少GEV正确的估计误差？

0 个答案: