Comparison of the Power of Lognormality Tests with Different Right-Tail Alternative Distributions
Notice bibliographique
Résumé
In flood frequency analysis (FFA), the adequate choice of distribution to fit data is a major problem. The three-parameter lognormal (LN3) distribution has an intermediate tail behavior between the distributions of the Class C (regularly varying distributions) and those of the Class D (subexponential distributions). HYFRAN software performs a complete frequency analysis for approximately twenty distributions often used in hydrology including the LN3 and distributions of Classes C and D. A decision support system (DSS) was added to the HYFRAN software to become the HYFRAN-PLUS software. It allows distinguishing between the distributions of Classes C and D. The objective of the present study is to discriminate between the LN3 distribution and that of Class C of regularly varying distributions (heavier tail) and D of subexponential distributions (lighter tail) and then to improve the current version of the DSS. The power of several normality tests is evaluated for log-transformed variates using a Monte Carlo approach for different alternative hypothesis. The Jarque-Bera test has been found the most powerful on transformed data. Results show a strong dependence between the values of the parameters and the power of the test as well as the quantile estimation errors. Results lead to the development of a LN3 goodness-of-fit procedure, based on the coefficient of variation, the coefficient of skewness and the Jarque-Bera normality test. This procedure will be added to the Decision Support System of the HYFRAN-PLUS software.
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 | 0,069 | 0,216 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».