基于 D-Vine GAM Copula 的分位数回归及其在集合后处理中的应用
统计方法学
2023-09-12 v1 应用统计
摘要
时间、空间或时空概率模型常用于天气预报。D-vine（可绘藤）copula 分位数回归（DVQR）是该应用领域的有力工具，因为它能从大量预测变量中自动选择重要变量，并能够对其间复杂的非线性关系进行建模。然而，当前的 DVQR 并不总是能明确且经济地考虑额外的协变量效应，例如时间或时空信息。因此，我们提出了当前 DVQR 的一种扩展，其中我们通过 Kendall's Tau 对 D-vine copula 中的二元 copula 进行参数化，该参数可与额外协变量相关联。相关参数的参数化允许广义加性模型（GAMs）和样条平滑来检测潜在隐藏的协变量效应。新方法称为 GAM-DVQR，其性能在 2m 地表温度预报后处理的案例研究中得到说明。我们研究了恒定以及时间依赖的 Kendall's Tau。将 GAM-DVQR 模型与基准方法 Ensemble Model Output Statistics（EMOS）、其梯度提升扩展（EMOS-GB）和基础 DVQR 进行比较。结果表明，GAM-DVQR 模型能够识别时间相关相关性以及相关的预测变量，并显著优于最先进的 EMOS 和 EMOS-GB 方法。此外，所引入的参数化允许 GAM-DVQR 使用静态训练期，与采用滑动训练窗口的 DVQR 相比，实现了更可持续的模型估计。最后，我们展望了 GAM-DVQR 模型的进一步应用与扩展。作为本文的补充，我们的方法附带一个名为 gamvinereg 的 R 包。
引用
@article{arxiv.2309.05603,
title = {D-Vine GAM Copula based Quantile Regression with Application to Ensemble Postprocessing},
author = {David Jobst and Annette Möller and Jürgen Groß},
journal= {arXiv preprint arXiv:2309.05603},
year = {2023}
}