Multivariate trend comparisons between autocorrelated climate series with general trend regressors
Notice bibliographique
Résumé
Inference regarding trends in climatic data series, including comparisons across different data sets as well as univariate trend significance tests, is complicated by the presence of serial correlation and step-changes in the mean. We review recent developments in the estimation of heteroskedasticity and autocorrelation robust (HAC) covariance estimators as they have been applied to linear trend inference, with focus on the Vogelsang-Franses (2005) nonparametric approach, which provides a unified framework for trend covariance estimation robust to unknown forms of autocorrelation up to but not including unit roots, making it especially useful for climatic data applications. We extend the Vogelsang-Franses approach to allow general deterministic regressors including the case where a step-change in the mean occurs at a known date. Additional regressors change the critical values of the Vogelsang-Franses statistic. We derive an asymptotic approximation that can be used to simulate critical values. We also outline a simple bootstrap procedure that generates valid critical values and p-values. The motivation for extending the Vogelsang-Franses approach is an application that compares climate model generated and observational global temperature data in the tropical lower- and mid-troposphere from 1958 to 2010. Inclusion of a mean shift regressor to capture the Pacific Climate Shift of 1977 causes apparently significant observed trends to become statistically insignificant, and rejection of the equivalence between model generated and observed data trends occurs for much smaller significance levels (i.e. is more strongly rejected).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,111 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».