Trend Detection in the Presence of Positive and Negative Serial Correlation: A Comparison of Block Maxima and Peaks‐Over‐threshold Data
Notice bibliographique
Résumé
Abstract Serial correlation in a hydrometeorological time series can have deleterious effects on trend detection tests. To account for significant autocorrelation detected in datasets, various techniques have been developed over time, each having their own assumptions and accuracy. Furthermore, the existence of positive or negative serial correlation has dissimilar effects on these statistical techniques. This research compares the power and Type I error rates of various well‐known and several newer techniques to account for positive and negative serial correlation in combination with the Mann‐Kendall nonparametric trend test. The study additionally explores the application of these techniques in the presence of higher order dependence structures. Through a case study of southern Ontario watersheds, it is determined that the block maxima series (BMS) data are more likely to have significant negative lag‐1 serial correlation. Peaks‐over‐threshold (POT) data are more likely to be serially correlated and this autocorrelation is more likely to be positive. It is determined that in the case of positively serially correlated AR(1) data, block bootstrap (BBS), Hamed and Rao (1998), variance correction (VCCF1), Yue and Wang (2004), variance correction (VCCF2), and sieve bootstrap (SBS) are the most robust. Alternatively, in the case of negative AR(1) autocorrelation, the corrected trend‐free prewhitening approach (CTFPW), modified trend‐free prewhitening (MTFPW), bias corrected prewhitening (BCPW), and VCCF1 are recommended. In the presence of higher order dependence structures, VCCF1 (with all significant lags included) and VCCF2 (with all lags included) should be applied cautiously. Lastly, an assessment of the causality of the serial correlation is provided.
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 | 0,001 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».