Quantifizierung statistischer Unsicherheit bei der Zuschreibung menschlichen Einflusses auf extremes Wetter

Die Ereigniszuschreibung im Kontext des Klimawandels zielt darauf ab, die Rolle anthropogener Treibhausgasemissionen bei extremen Wetterereignissen, entweder spezifischen Ereignissen oder Klassen von Ereignissen, zu verstehen. Ein gebräuchlicher Ansatz zur Ereigniszuschreibung nutzt Ausgaben von Klimamodellen unter faktischen (realen) und kontrafaktischen (Welt, die ohne anthropogene Treibhausgasemissionen hätte sein können) Szenarien, um die Wahrscheinlichkeiten des interessierenden Ereignisses unter den beiden Szenarien zu schätzen. Die Ereigniszuschreibung wird dann durch das Verhältnis der beiden Wahrscheinlichkeiten quantifiziert. Während dieser Ansatz in den letzten 15 Jahren viele Male angewendet wurde, haben die statistischen Techniken, die zur Schätzung des Risikoverhältnisses auf der Grundlage von Klimamodell-Ensembles verwendet werden, nicht auf das volle Spektrum der in der statistischen Literatur verfügbaren Methoden zurückgegriffen und haben in einigen Fällen die Bootstrap-Methode auf nicht-standardisierte Weise verwendet und interpretiert. Wir präsentieren ein präzises frequentistisches statistisches Rahmenwerk zur Quantifizierung des Effekts der Stichprobenunsicherheit auf die Schätzung des Risikoverhältnisses, schlagen die Verwendung statistischer Methoden vor, die neu in der Ereigniszuschreibung sind, und bewerten eine Vielzahl von Methoden mithilfe statistischer Simulationen. Wir kommen zu dem Schluss, dass bestehende statistische Methoden, die bisher nicht für die Ereigniszuschreibung verwendet werden, mehrere Vorteile gegenüber dem weit verbreiteten Bootstrap haben, einschließlich besserer statistischer Leistung in wiederholten Stichproben und Robustheit gegenüber kleinen geschätzten Wahrscheinlichkeiten. Software zur Anwendung der Methoden ist über das climextRemes-Paket für R oder Python verfügbar. Während wir uns auf frequentistische statistische Methoden konzentrieren, dürften Bayessche Methoden besonders nützlich sein, wenn es darum geht, Quellen der Unsicherheit über die Stichprobenunsicherheit hinaus zu berücksichtigen.