Testing and Modelling the Volatility Change in ENSO
Notice bibliographique
Résumé
The El Niño–Southern Oscillation (ENSO) is by far the most energetic climate signal. Any change in ENSO characteristics will have serious consequences for the global climate system. This work suggests a different view at the change in ENSO volatility in addition to change in its descriptive statistics. The volatility or the conditional variance of ENSO is tested and modelled using both the Autoregressive Moving Average–Generalized Autoregressive Conditional Heteroscedasticity (ARMA-GARCH) error model and the GARCH model, to investigate the change in the short-run and long-run persistency of the second-order moment of ENSO before and after a change point detected by a Bayesian change point analysis. Nonparametric tests revealed a significant change in descriptive statistical characteristics such as the mean, the (unconditional) variance, and the probability distribution of ENSO after a change point in 1975. An Engle's test did not show heteroscedasticity in the random process (residuals) of the Southern Oscillation Index (SOI) time series before 1975 although heteroscedasticity increased and appeared after 1975. The GARCH model indicates an increasing short-run persistency after 1975 and decreasing long-run persistency. A seasonal shift in extreme heteroscedasticity is observed from summer to winter. In addition, the non-linearity and nonstationarity of the SOI volatility have increased in recent decades. This may be caused by an increase in frequency and magnitude of extreme volatilities after 1975. The results of this study indicate that ENSO has become more dynamic and uncertain in recent decades. The increase in the frequency of extreme events together with extreme conditional variance after 1975 may increase the prediction uncertainty of ENSO-driven climate phenomena.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».