Statistical Tools for Choices between Probability Distributions for Hydrological Frequency Modelling
Notice bibliographique
Résumé
Two-parameter probability distributions are among those frequently employed in hydrological frequency modeling, especially in the peaks-over-threshold approach to analysing hydrological extremes. When the practitioner fits several candidate models to a data set, selection of the final fitting model often reduces to having to pick, or “discriminate,” between one specific pair of competitive models. We will review some widely used discrimination statistics (DS) in terms of their ability for correct selection between pairs of competitive 2-parameter models. We will also attempt to classify model pairs according to the difficulty to discriminate between them. Research has shown three DS to be among those most capable of correctly selecting between pairs of 2-parameter models. These DS are: (1) the ratio of maximized likelihood statistic—RML (closely associated with the Akaike Information Criterion—AIC and the Bayesian Information Criterion—BIC), (2) the Anderson-Darling (AD) goodness-of-fit (GoF) statistic, and (3) a (relatively new) DS derived from the Shapiro-Wilk GoF statistic, which we will denote by “TN.SW.” Research has shown the TN.SW DS to be advantageous when applied to samples of size typically encountered in hydrology. A hydrological example will show the use of this DS in practice.
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 | 0,039 | 0,224 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,005 | 0,010 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,004 |
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 ».