A common approach to estimate extre

A common approach to estimate extreme flood events is the annual block maxima approach, where for each year the peak streamflow is determined and a distribution (usually the generalized extreme value distribution (GEV)) is fitted to this series of maxima. Eventually this distribution is used to estimate the return level for a defined return period. However, due to the finite sample size, the estimated return levels are associated with a range of uncertainity, usually expressed via confidence intervals. Previous publications have shown that existing bootstrapping methods for estimating the confidence intervals of the GEV yield too narrow estimates of these uncertainty ranges. Therefore, we present in this article a novel approach based on the less known test inversion bootstrapping, which we adapted especially for complex quantities like the return level. The reliability of this approach is studied and its performance is compared to other bootstrapping methods as well as the Profile Likelihood technique. It is shown that the new approach improves significantly the coverage of confidence intervals compared to other bootstrapping methods and for small sample sizes should even be favoured over the Profile Likelihood.

ผลลัพธ์ (ไทย) 1:

วิธีการแบบทั่วไปเพื่อประเมินเหตุการณ์น้ำท่วมมากเป็นปีบล็อกแมกวิธี ที่สำหรับแต่ละปี streamflow สูงสุดถูกกำหนดและกระจาย (มักมากค่าเมจแบบทั่วไปกระจาย (GEV)) จะติดตั้งกับชุดนี้ของแมก ในที่สุดแจกจ่ายนี้ใช้เพื่อประเมินระดับการส่งคืนสำหรับรอบระยะเวลาที่กำหนดส่งคืน อย่างไรก็ตาม ขนาดอย่างจำกัด ประเมินกลับระดับเกี่ยวข้องกับ uncertainity มักแสดงผ่านช่วงความเชื่อมั่น สิ่งที่ก่อนหน้านี้ได้แสดงที่อยู่ bootstrapping วิธีการประมาณช่วงความเชื่อมั่นของการประเมินแคบผลผลิต GEV ของช่วงความไม่แน่นอนเหล่านี้ ดังนั้น เรานำเสนอในบทความนี้เป็นนวนิยายแนวทางตามน้อยรู้จักทดสอบกลับ bootstrapping ที่เราดัดแปลงโดยเฉพาะอย่างยิ่งสำหรับปริมาณที่ซับซ้อนเช่นระดับส่งคืน ศึกษาความน่าเชื่อถือของวิธีการนี้ และมันถูกเปรียบเทียบกับวิธีอื่น ๆ bootstrapping ตลอดจนเทคนิคประวัติความเป็นไปได้ มันแสดงให้เห็นว่า วิธีใหม่อย่างมีนัยสำคัญเพิ่มความครอบคลุมของช่วงความเชื่อมั่นเมื่อเทียบกับวิธีอื่น ๆ bootstrapping และสำหรับตัวอย่างขนาดเล็ก ขนาดควรแม้กระทั่งจะ favoured ผ่านโอกาสโพรไฟล์

ผลลัพธ์ (ไทย) 2:

วิธีการทั่วไปที่จะประเมินเหตุการณ์น้ำท่วมรุนแรงเป็นวิธีการบล็อกสูงสุดประจำปีซึ่งในแต่ละปีน้ำท่าสูงสุดจะถูกกำหนดและจัดจำหน่าย (โดยปกติการกระจายค่ามากทั่วไป (GEV)) จะติดตั้งกับชุดของแม็กซิม่านี้ ในที่สุดการกระจายนี้จะใช้ในการประเมินระดับผลตอบแทนในรอบผลตอบแทนที่กำหนดไว้ แต่เนื่องจากขนาดของกลุ่มตัวอย่าง จำกัด ระดับผลตอบแทนที่คาดว่าจะเกี่ยวข้องกับช่วงของ uncertainity ที่แสดงมักจะผ่านช่วงความเชื่อมั่น สิ่งพิมพ์ก่อนหน้านี้ได้แสดงให้เห็นว่าวิธีการร่วมมือที่มีอยู่สำหรับการประมาณช่วงความเชื่อมั่นของอัตราผลตอบแทนประมาณการ GEV แคบเกินไปของช่วงความไม่แน่นอนเหล่านี้ ดังนั้นเราจึงนำเสนอในบทความนี้แนวทางใหม่บนพื้นฐานของการทดสอบการผกผันที่รู้จักกันน้อยร่วมมือซึ่งเราสามารถปรับตัวโดยเฉพาะอย่างยิ่งสำหรับปริมาณที่ซับซ้อนเช่นระดับผลตอบแทน ความน่าเชื่อถือของวิธีนี้คือการศึกษาและประสิทธิภาพการทำงานของมันจะถูกเมื่อเทียบกับวิธีอื่น ๆ ร่วมมือเป็นเทคนิคที่น่าจะเป็นโปรไฟล์ มันแสดงให้เห็นว่าวิธีการใหม่อย่างมีนัยสำคัญช่วยเพิ่มความคุ้มครองของช่วงความเชื่อมั่นเมื่อเทียบกับวิธีการร่วมมืออื่น ๆ และสำหรับขนาดกลุ่มตัวอย่างขนาดเล็กควรแม้จะได้รับการสนับสนุนในช่วงภาวะน่าจะเป็นข้อมูลส่วนตัว

ผลลัพธ์ (ไทย) 3:

วิธีการทั่วไปเพื่อประเมินเหตุการณ์น้ำท่วมรุนแรงเป็นแนวทางป้องกัน แม็กซิมา รายปี ซึ่งแต่ละปีปริมาณน้ำท่าสูงสุดถูกกำหนดและการกระจาย ( ปกติทั่วไปมากค่าการกระจาย ( gev ) ) เข็มขัดชุดนี้ของ แม็กซิม่า ในที่สุดการกระจายนี้จะใช้เพื่อประเมินระดับผลตอบแทนสำหรับกำหนดระยะเวลาคืน . แต่เนื่องจากจำนวนจำกัดขนาดอัตราผลตอบแทนในระดับที่เกี่ยวข้องกับช่วงของ uncertainity มักจะแสดงผ่านช่วงความเชื่อมั่น สิ่งพิมพ์ก่อนหน้านี้ได้แสดงให้เห็นว่าที่มีอยู่ bootstrapping วิธีการประมาณช่วงความเชื่อมั่นของ gev ผลผลิตแคบเกินไปประมาณช่วงความไม่แน่นอนเหล่านี้ ดังนั้นเรานำเสนอในบทความนี้เป็นแนวทางใหม่ตามรู้จักน้อยลงผกผัน bootstrapping ทดสอบ ซึ่งเราปรับโดยเฉพาะอย่างยิ่งสำหรับปริมาณที่ซับซ้อนระดับกลับ ความน่าเชื่อถือของวิธีการนี้คือ การศึกษาและการทำงานของมันเมื่อเทียบกับวิธีอื่น ๆรวมทั้งข้อมูล bootstrapping โอกาสเทคนิคมันแสดงให้เห็นว่าวิธีการใหม่ช่วยเพิ่มความครอบคลุมของช่วงความเชื่อมั่นอย่างมีนัยสำคัญเมื่อเทียบกับวิธีอื่น ๆและ bootstrapping สำหรับขนาดตัวอย่างขนาดเล็กจะได้รับผ่านโปรไฟล์ของความน่าจะเป็น