改进的时间聚集极值估计

摘要 在本文中，我们研究了应用于极端观测序列的去聚类效果。通过模拟研究，我们展示了分析阈值上的峰值（POT）这一常见做法在参数估计上可能会产生严重偏差，以及在设计规范中用以承受极端风或雨、河流或海平面的返回水平。我们证明一种更简单的方法，即直接分析高阈值的所有超出值，可以将这种偏差降低到可以忽略的水平。直到现在，这种方法一直不受欢迎，因为被分析的数据并不是独立的。这种效应导致与参数估计相关的标准误差低估了这些估计的不确定性。我们采用现有但鲜有使用的方法来膨胀这些标准误差，并证明调整后的数值是最大似然估计所关联的真实不确定性的很好的表现。因此，整体方法达到了消除估计偏差的效果，同时考虑了依赖数据带来的任何不良影响。我们将这种方法应用于来自英格兰西南部的一系列海浪数据，并说明了与POT方法之间的差异，这与POT方法低估长周期返回水平的情况一致。我们也特别关注检查结果的稳健性，展示出，由POT方法引起的偏差问题在我们考虑的所有去聚类方案以及整个尾部行为范围内系统性地存在。当主要关注于返回水平估计时，我们建议我们的程序通常会比POT方法更有效和可靠。如果对序列依赖性本身有更深入的兴趣，那么我们建议显式建模这种依赖性，并且我们提到作者在本期刊上发表的早期论文。© 2006 John Wiley & Sons, Ltd.