模型误设下空间相关的多重检验及其在极端气候事件人为影响检测中的应用
应用统计
2017-11-15 v2
摘要
天气风险归因预报（WRAF）是一种利用全球气候模型输出，就温室气体排放是否及如何影响全球极端天气做出同时归因声明的预报工具。然而，在进行大量同时假设检验时，WRAF 易于识别出虚假的“发现”。解决这一多重检验问题的常用技术是调整过程以控制真正零假设被错误拒绝的比例，即错误发现率（FDR）。遗憾的是，当假设相关时，通用 FDR 方法的功效较低，而为考虑相关性设计的技术对基础统计模型的误设敏感。本文中，我们发展了用于相关多重检验的贝叶斯决策理论方法，以及一种非参数层次统计模型，该模型灵活控制错误发现并对模型误设具有稳健性。我们通过一项模拟研究说明了我们的过程对模型误差的稳健性，该模拟使用了一个考虑一般空间依赖性并允许实践者灵活指定决策标准的框架。最后，我们将该方法应用于若干季节性预报，并讨论了在 WRAF 工作流中的实现。
引用
@article{arxiv.1703.10002,
title = {Spatially-Dependent Multiple Testing Under Model Misspecification, with Application to Detection of Anthropogenic Influence on Extreme Climate Events},
author = {Mark D. Risser and Christopher J. Paciorek and Daithi Stone},
journal= {arXiv preprint arXiv:1703.10002},
year = {2017}
}