Time series and state space model with generalized \nextreme value distributed marginals and α-stable \ndistributed errors
Notice bibliographique
Résumé
This thesis is mainly focused on the estimation and filtering of extreme events time \nseries and models with generalized extreme value distributed marginals and the multiplicative \nerrors from α-stable distribution. \nFirst a non-linear time series with Fréchet distributed marginals and α-stable \ndistributed errors is considered. To estimate the stability parameter, three recursive \nprocedures are proposed. The first is based on the Hill estimation, the second is a \nmodified Fan’s estimation that uses the property of the α-stable distribution, and the \nlast is an application of Kantorovich-Wasserstain metric. \nFor the state space model with generalized extreme value distributed marginals \nand α-stable distributed errors, the estimation is more complex, especially when the \nstability parameters are small. In the model with Gumbel distributed marginals, if \none of the stability parameter is known, a procedure that generates an ensemble from \nthe known error distribution by Monte Carlo followed by estimation is proposed. For \na model with generalized extreme value distributed marginals and unknown stability \nparameters, first a recursive regression estimation is applied to obtain the generalized \nextreme valued parameters, then the Yule-Walker estimation or generalized least \nsquare regression model is used to estimate the stability parameters. \nRegarding filtering, the estimation of unobserved states and their empirical conditional \ndensities are our interests. The estimation of states is obtained numerically \nvia Monte Carlo, based on the model structure. This procedure outperforms Kalman \nfilter. As to the empirical conditional density, sequential importance sampling with \ndifferent importance functions, particle filter with discrete sample space, auxiliary \nparticle filter and plain linearization are used and compared. \nThe asymptotic properties and rates of convergence of the proposed estimations are \nstudied analytically and through simulation. The methods and procedures developed \nin this thesis have been applied to analyze the air pollution data in New York city.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».