Comparaison des méthodes d’estimation des paramètres du modèle GEV non stationnaire
Bibliographic record
Abstract
L’analyse fréquentielle des événements extrêmes est un des outils privilégiés pour l’estimation des débits de crue et de leurs périodes de retour. En analyse fréquentielle, les observations doivent être indépendantes et identiquement distribuées (iid). Ces hypothèses ne sont pas souvent respectées et les paramètres de la loi à ajuster sont fonction du temps ou de covariables. Le modèle GEV non stationnaire permet de tenir compte de cette dépendance. L’objectif du présent travail est de comparer la méthode du maximum de vraisemblance pour l’estimation des quantiles à la méthode du maximum de vraisemblance généralisée (GML) et à une généralisation de la méthode des L‑moments dans le cas non stationnaire. Trois modèles sont considérés : le modèle stationnaire (GEV0), le cas où le paramètre de position est une fonction linéaire de la covariable (GEV1) et le cas d’une dépendance quadratique (GEV2). Un cas d’étude des précipitations à une station de la Californie montre le potentiel des modèles non stationnaires.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.004 | 0.016 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".