modelos bayesianos para valores extremosghuerta/extremos.pdf3ra semana de probabilidad y...
TRANSCRIPT
-
Modelos Bayesianos para Valores Extremos
Gabriel Huerta
Department of Mathematics and StatisticsUniversity of New Mexico
Albuquerque, NM.
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Máximos mensuales de precipitación en Venezuela
Mediciones en la estación Maiquetía cerca del aeropuerto de Caracas.Cómo se puede caracterizar estos extremos?
Time
Rainf
all
1960 1970 1980 1990 2000
020
4060
8010
012
014
0
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Algunos aspectos en Valores Extremos
X1,X2,X3 . . ., son una secuencia de mediciones.Máximo sobre bloques de tamaño n,
Mn = max{X1, . . . ,Xn}.
La distribución Generalizada para Valores Extremos (GEV)
H(z) = exp
{−[1 + ξ
(z − µσ
)]−1/ξ+
}
∞ < µ 0 (escala) y −∞ < ξ
-
Dominios de Atracción:ξ > 0 Fréchet:. ’Cola’ de la dist. sigue función potencia.ξ < 0 Weibull: Familia con ’cola’ acotada.ξ → 0 Gumbel: Familia con ’cola’ exponencialmentedecreciente.
Fisher-Tippet: Si an y bn son tales que n→∞
P[
Mn − anbn
≤ z]→ H(z)
entonces H(z) es una GEV (Coles 2002).Alternativa, Métodos de Umbral o Procesos Poisson.
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Cuántiles y log-verosimilitud
El cuántil (1− p) de la distribución:µ− σξ
[1− {−log(1− p)}−ξ
]; (ξ 6= 0)
µ− σ log {−log(1− p)} (ξ = 0).If y1 = M1, . . . , ym = Mm; yi ∼ GEV (α); α = (µ, σ, ξ), lalog-verosimilitud es:
l(α) = −n logσ − (1 + 1/ξ)n∑
i=1
log{1 + ξ(yi − µ)/σ}
−n∑
i=1
{1 + ξ(yi − µ)/σ}−1/ξ
Se pueda optimizar numericamente.
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Inferencia Bayesiana en la GEV
Distribución inicial en α = (µ, σ, ξ)p(α) = p(µ)p(σ)p(ξ)p(µ) = N(mµ, vµ) p(log(σ)) = N(mσ, vσ)p(ξ) = N(mξ, vξ)
Usar pasos Metropolis-Hastings para muestrar α,
log(σ∗) = log(σ(i)) + 0.01�1µ∗ = µ(i) + 10�2ξ∗ = ξ(i) + 0.01�3
�j ∼ N(0,1); j = 1,2,3.Se rechazan o aceptan los valores propuestos.
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Máximos mensuales de lluvia en Venezuela
Distribución final para los 3 parámetros.
Distribución final del cuántil GEV 95%.
µµ
7 8 9 10 11
0.00.2
0.40.6
σσ
8 9 10 11
0.00.2
0.40.6
ξξ
0.3 0.4 0.5 0.6 0.7
01
23
45
6
Q0.95
50 60 70 80 90
0.00
0.02
0.04
0.06
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Un aspecto interesante
El enfoque Bayesiano ofrece una distribución predictiva
p(y f |y) =∫
f (y f |θ)p(θ|y)dθ
donde y f representa una observación futura.Un cuántil empírico approxima, el valor y∗ tal queP[Y f ≤ y∗|y ] = 1− pPara los datos de lluvia en Venezuela p = 0.01 (cuántil99%).
Por EMV, el cuántil GEV es 152.3.Media aposteriori del cuántil GEV, 157.35.Approximación con la predictiva 162.87.
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Artículo Coles y Powell (1996)
Uno de los primeros artículos en el tema.Distribuciones iniciales con conocimiento experto.
Uso de una Gamma sobre q1, q2 − q1 y q3 − q2.Estimadores Bayesianos más estables que los de MV amedida que el tamaño de los datos incrementa.Estimación de µ ’bien calibrada’. Mas difícil estimar σ y ξ.Tambien se mencionan modelos de umbral.Libreria en R evdbayes (Stephenson y Ribatet).
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Extremos para casos no-estacionarios
y1, y2, . . . , ym son ind., yt ∼ GEV (µt , σ, ξ).Función determinista (regresión en t):
µt = β0 + β1t ;µt = β0 + β1 + β2t + β3t2;µt = β0 + β1Xt .
Se puede modelar σt y ξt en términos de t .Tratar µ1, µ2, . . . , µm como una serie de tiempo.Modelos Espacio-Estado o Modelos Dinámicos Lineales.
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Distribución GEV con Modelos Dinámicos
y1, y2, . . . , ym, yt ∼ GEV (µt , σ, ξ), t = 1, . . . ,m.
Ht(yt) = exp{−[1 + ξ(yt − µt)/σ]−1/ξ+
}µt = θt + �t ;
θt = θt−1 + ωt ;
Forma general: µt = F′t θt + �t ; θt = Gtθt−1 + ωt .
Iniciales: p(σ) ∼ LN(mσ, sσ) ; p(ξ) ∼ N(mξ, sξ);θ0 ∼ N(m0,C0).
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Algunos resultados para los datos de lluvia
Media ’a-posteriori’ de µt and θt .Intervalos al 95 % de ‘credibilidad’ para µt .Ajuste por MV µt = β0 + β1t .
Time
1960 1970 1980 1990 2000
05
1015
20 µµθθa ++ bt
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Estimación de Cuántiles
Son variantes en el tiempo.
Considera no-linealidades y sesgos.
Time
Rai
nfal
l
1960 1970 1980 1990 2000
020
4060
8010
012
014
0
95%75%50%5%
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
MCMC para el modelo GEV-Dinámico
Y = (y1, y2, . . . , ym), µ = (µ1, µ2, . . . , µm) yθ = (θ1, θ2, . . . , θm).p(µt |yt , σ, θt ,V ); t = 1, . . . ,m se simula con pasosMetropolis-Hastings.p(σ|Y , µ, ξ) and p(ξ|Y , µ, σ) tambien con pasos M-H.V se muestra con una Inversa Gamma.W se modela con Factores de Descuento.θt , con métodos para modelos espacio-estadocondicionalmente Gausianos.
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Diagnóstico del Modelo
La gráfica esta basada en Z̃t = 1ξ̂ logn
1 + ξ̂“
yt−µ̂tσ̂
”oLa gráfica consta de los pares {i/(m + 1), exp(−exp(−z̃(i)))}
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
Residual Probability Plot
Empirical
Mod
el
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Modelos espaciales para extremos
Casson y Coles (1999) modelaron velociades de viento enhuracanes.Cooley, Nychka y Naveau (2007) mapa de riesgo para unevento de precipitación extrema.Huerta y Sansó (2007) modelo espacio temporal paramáximos de ozono en el D.F.Sang y Gelfand (2008) modelo espacial para precipitaciónen Sudafrica.Cooley y Sain (2008) precipatación extrema generada porun RCM.Trabajo con estudiante de doctorado en UNM (GlennStark).
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Salida numérica para un modelo regional de clima
Modelo “mesoscala” Penn State/NCAR (MM5).20 años de precipitación extrema de una corrida control (“Invierno”).El dominio espacial es 56× 44 = 2464.
−125 −120 −115 −110 −105
35
40
45
50
50
100
150
200
Precipitation Data (t = 1)
−125 −120 −115 −110 −105
35
40
45
50
50
100
150
200
Precipitation Data (t = 2)
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Campo Aleatorio Gaussiano
Modelo con estructura Markoviana (vecinos).Se usan Matrices de Precisión no covarianza.
column
row
5 10 15 20 25 30
3025
2015
105
Biharmonic Difference Operator Matrix 2nd−order, 5 Rows, 6 Columns
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Campo Gaussiano de Markov
Vector aleatorio X (dim. n) con parámetros η y Q.Gráfica G = (V ,E) con nodos y vertices tales que
Qij 6= 0 ⇐⇒ i ∼ j .
La densidad de X es
f (x) = (2π)−n−k
2 (|Q|∗)12 exp
(−1
2(x − η)′Q(x − η)
)Caso impropio: |Q|∗ es el producto de los n − keigenvalores de Q distintos de cero.
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Definición de la matriz Q
La matriz define estructura en una retícula con r filas y c columnas.
Matriz simétrica y semi-positiva definida con rango r × c − 3.
E x i∣x−i =120
8 −2 1
Prec xi∣x−i=20kx i
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Un modelo jerárquico
Primer nivel:Yi,j,t ∼ GEV (µ∗i,j,t , σ, ξ); i = 1, . . . ,56; j = 1, . . . ,44; t =1, . . . ,20.µ∗i,j,t = µi,j + φt tiene una componente espacial y otratemporal.
Segundo nivel:µ ∼ GMRF (0, θQ) donde Q es una matriz de precisión desegundo orden.φ1 = 0, φi ∼ N(µφ, τφ); i = 1, . . . ,20.
Distribuciones iniciales:µφ ∼ N(0,10−6) y τφ ∼ Gamma(1,1),θ ∼ LN(mθ, sθ),σ ∼ LN(mσ, sσ),ξ ∼ N(mξ, sξ).
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Resultados del modelo ’Espacial-Temporal’
MCMC con 20000 iteraciones, 10000 iniciales.Media de la distribución final de µ.
−125 −120 −115 −110 −105
3540
4550
20
40
60
80
100
Posterior Mean of µµ
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Diagramas de caja para φi
Basados en las muestras MCMC.Miden la variabilidad temporal.
●●●●●●●●
●●●●
●●●●●●●
●●●●●●●●●●●●●
●
●●●●●●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●
●●
●
●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●
●●
●●
●
●●●●●●●●●●●●●●●●●
●●●●●●
●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●
●●
●●
●●
●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●
●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●
●●●●●
●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●
●
●
●●●●●●●●●●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●
●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●
●●●●●●●
●●●
●●
●●●●●
●●●●●●●●●●●●●●●
●●●●●
●●
●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●
●
●●●●●
●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●
●
●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●
●●●●●●
●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●
●
●●●●
●●●●
●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●
●●●●●●●●
●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●
●●●●●●●
●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●
●●●
●●
●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●
●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●
●●●
●
●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●
●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●
●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●
●●●●●●●●●
●●●●●●
●●
●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●
●●●●●●
●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●
●●●●●●●●●●
●●●●●●
●
●●●●●●
●●●●●●●●●●●●
●●●
●●●●●●●●●
●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●
●●●●
●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●
●●
●●●●●●●●●●●●●
●
●●●●●●●●●●
●●●●●●●●●●●●●●
●●●
●●
●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●
●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●
●●●●●●
●●●●●●●●●●●●●●
●●●●●●●●●●●●●
●●●●●●●●●●●
●●●●●●●●●
●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●
●●●
●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●
●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●
●●●
●●●●
●●
●●●●●●●●●
●●●●●
●●●●
●●●
●●●●●●●
●●●●●●●
●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●
●●●●●
●●
●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●
●●●●●●●●●●●●●
●●
●●●
●
●●
●●●
●
●●●●
●
●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●
●●●●●●●●
●●●●●●●●●●●●●●●●
●●●●●●
●●●●●
●●●●●●●●●●●●●
●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●
●
●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●● ●●●
●●
●●
●●●●●●●●●●●●●●●●
●●
●●●●●
●●●●
●●●●●●●●●●●●●●●●
●
●●●●●●●
●●
●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●
●●●●●
●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●
●●●●●●
●●●●●●●●●●●●●●●
●●●●●●●●●
●●●●
●●●
●●●
●
●●●
●
●
●●●●●●
●●●●●●●●●●●●●●
●●●●●●●●●●●●●●
●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●
●●
●●●●●●●
●●●●●
●●●●●●●●●
●●●●●●●
●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●
●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●
●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●●●●●●●●●●●●●●●
●●●●●●●●
●●●
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
φφ1 φφ2 φφ3 φφ4 φφ5 φφ6 φφ7 φφ8 φφ9 φφ10 φφ11 φφ12 φφ13 φφ14 φφ15 φφ16 φφ17 φφ18 φφ19 φφ20
−8
−6
−4
−2
02
4
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Distribuciones finales para σ, ξ y θ
Distribuciones bien comportadas.Tenemos un caso Fréchet.
σσ
De
nsity
10.20 10.30 10.40 10.50
02
46
8
ξξ
De
nsity
0.140 0.150 0.160 0.170
02
04
06
08
01
00
θθD
en
sity
0.0065 0.0070 0.0075 0.0080 0.0085
05
00
10
00
15
00
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Estimación de cuántiles
Basados en la distribución predictiva.Conceptualmente simple pero intensivo.
−125 −120 −115 −110 −105
3540
4550
0
50
100
150
Median
−125 −120 −115 −110 −105
3540
4550
0
50
100
150
75th Percentile
−125 −120 −115 −110 −105
3540
4550
0
50
100
150
95th Percentile
−125 −120 −115 −110 −105
3540
4550
0
50
100
150
99th Percentile
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Distribución Predictiva en Albuquerque,NM
y
Dens
ity
0 50 100 150
0.000
0.010
0.020
0.030
Posterior Predictive Density (Albuquerque)
50th %tile28.8
95th %tile63.6
99th %tile92.9
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Variabilidad espacial en σ y ξ
Ajustes puntuales de la GEV.Mapas de los parámetros de escala y forma.
−125 −120 −115 −110 −105
35
40
45
50
σσ
longitude
latit
ud
e
5
10
15
20
25
30
35
−125 −120 −115 −110 −105
35
40
45
50
ξξ
longitude
latit
ud
e
−0.5
0.0
0.5
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Red de monitoreo atmosférico en el D.F.
Estaciones que miden ozono.
ωj es un nudo para centrar kernel.
−99.3 −99.2 −99.1 −99.0 −98.9
19.2
519
.30
19.3
519
.40
19.4
519
.50
19.5
5
longitude
latit
ude
ω1 ω2 ω3 ω4
ω5 ω6 ω7 ω8
ω9 ω10 ω11 ω12
ω13 ω14 ω15 ω16
LAGTAC
EAC
SAG
AZC
TLA XAL
MER
PEDCES
PLA
HAN
UIZBJU
TAH
CUA
TPN
CHA
TAX
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Artículo Huerta y Sansó (2007)
Máximos diarios de ozono (sin covariables).Suponiendo independencia condicional, modelar losparámetros de la distribucion GEV como:
El parámetro de localización através de un modeloDinámico lineal.Los parámetros de escala y forma no varian en el tiempo (oespacialmente).
Extensión a un modelo espacio temporal via kernel deconvolución.
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Análisis de tendencias en una Estación
Estación Merced.Estimación de µt , θt del modelo Dinámico.
Time
ozon
e
1990 1992 1994 1996 1998 2000 2002
0.0
0.1
0.2
0.3
θtµt
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Modelo jerárquico
ys,t ∼ GEV (µs,t , σ, ξ); s = 1, . . . ,19, t = 1, . . . ,365
Hs,t(ys,t |µs,t , ξ, σ) = exp
{−[1 + ξ
(ys,t − µs,t
σ
)]−1/ξ+
}
Para cada t , µt = (µ1,t , µ2,t , . . . , µS,t)′.(σ, ξ) constantes a tiempo-espacio.Proceso de convolución for µt :
µt = K θt + �t ;θt = θt−1 + νt
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
K se define con un kernel Gaussiano
Kij = k(si − ωj);k(si − ωj) ∝ exp(−d ||si − ωj ||2/2)
si representa la estación i .ωj es un nudo del kernel j .d es un paramétro de rango; d = cφ; 1/2 < c < 2;φ es la distancia entre nudos.
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Ajuste en cuatro estaciones
AZC
Theoretical Quantiles
Sam
ple
Qua
ntile
s
−3 −2 −1 0 1 2 3
−3−2
−10
12
3
XAL
Theoretical Quantiles
Sam
ple
Qua
ntile
s
−3 −2 −1 0 1 2 3
−2−1
01
2
TPN
Theoretical Quantiles
Sam
ple
Qua
ntile
s
−3 −2 −1 0 1 2 3
−3−2
−10
12
TAH
Theoretical Quantiles
Sam
ple
Qua
ntile
s
−3 −2 −1 0 1 2 3
−4−3
−2−1
01
2
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Mapas retrospectivos de la mediana
−99.3 −99.2 −99.1 −99.0 −98.9
19.2
519
.35
19.4
519
.55
day 47
LAGTAC
EAC
SAG
AZC
TLA XAL
MER
PEDCES
PLA
HAN
UIZBJU
TAX
CUA
TPN
CHA
TAH
−99.3 −99.2 −99.1 −99.0 −98.9
19.2
519
.35
19.4
519
.55
day 61
LAGTAC
EAC
SAG
AZC
TLA XAL
MER
PEDCES
PLA
HAN
UIZBJU
TAX
CUA
TPN
CHA
TAH
−99.3 −99.2 −99.1 −99.0 −98.9
19.2
519
.35
19.4
519
.55
day 63
LAGTAC
EAC
SAG
AZC
TLA XAL
MER
PEDCES
PLA
HAN
UIZBJU
TAX
CUA
TPN
CHA
TAH
−99.3 −99.2 −99.1 −99.0 −98.9
19.2
519
.35
19.4
519
.55
day 69
LAGTAC
EAC
SAG
AZC
TLA XAL
MER
PEDCES
PLA
HAN
UIZBJU
TAX
CUA
TPN
CHA
TAH
−99.3 −99.2 −99.1 −99.0 −98.9
19.2
519
.35
19.4
519
.55
day 127
LAGTAC
EAC
SAG
AZC
TLA XAL
MER
PEDCES
PLA
HAN
UIZBJU
TAX
CUA
TPN
CHA
TAH
−99.3 −99.2 −99.1 −99.0 −98.9
19.2
519
.35
19.4
519
.55
day 191
LAGTAC
EAC
SAG
AZC
TLA XAL
MER
PEDCES
PLA
HAN
UIZBJU
TAX
CUA
TPN
CHA
TAH
−99.3 −99.2 −99.1 −99.0 −98.9
19.2
519
.35
19.4
519
.55
day 258
LAGTAC
EAC
SAG
AZC
TLA XAL
MER
PEDCES
PLA
HAN
UIZBJU
TAX
CUA
TPN
CHA
TAH
−99.3 −99.2 −99.1 −99.0 −98.9
19.2
519
.35
19.4
519
.55
day 263
LAGTAC
EAC
SAG
AZC
TLA XAL
MER
PEDCES
PLA
HAN
UIZBJU
TAX
CUA
TPN
CHA
TAH
−99.3 −99.2 −99.1 −99.0 −98.9
19.2
519
.35
19.4
519
.55
day 270
LAGTAC
EAC
SAG
AZC
TLA XAL
MER
PEDCES
PLA
HAN
UIZBJU
TAX
CUA
TPN
CHA
TAH
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Medida de Dependencia Asintótica
Para las estaciones s y s∗: χ(u) = Pr(Ut,s > u|Ut,s∗ > u).Curvas en relación a la estación AZC.
u
χ(u)
TACXALTPNTAH
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Algunos comentarios
Modelos Bayesianos jerárquicos basados en ladistribución GEV.Flexibles para estimación de cuantiles a tiempo/espacio.Ejemplo Precipitación. Enfasis en el aspecto espacial.Ejemplo ozono. Enfasis en el aspecto temporal.Basados en Campos aleatorios Gaussianos.Cálculos con MCMC. Convergencia?
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Comentarios y Extensiones
Hipótesis de independencia condicional.Comunmente se utiliza para modelos espacialesno-gaussianos.No permite modelar efectos locales en las observaciones.
Modelos con Cópulas (Sang y Gelfand (2008)).Dist. conjunta se expresa através de marginales.Es dificil decidir que cópula usar (Gaussiana?)
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Extensiones
Modelos multivariados para Valores Extremos
La busqueda del cáliz de oro.Modelos para bloque en máximos y umbrales.Modelos existentes para dimensiones ≤ 5.No hay análogo a la Distribución Normal Multivariada.
Procesos Max EstablesJustificados por la teoría de Valores Extremos.Libreria en R SpatialExtremes.Métodos Bayesianos con verosimilitudes compuestas(Ribatet, et. al. (2009))
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Referencias
Casson, E. and Coles, S. (1999) Spatial Regression Models forExtremes. Extremes, 4, 449-468.Coles, S. (2001) An Introduction to Statistical Modeling of ExtremeValues. Springer Verlag.Coles, S. and E. Powell (1996). Bayesian methods in extreme valuemodelling: A review and new developments. International StatisticalReview 64, 119.Cooley, D., D. Nychka, and P. Naveau (2007). Bayesian spatialmodeling of extreme precipitation return levels. Journal of the AmericanStatistical Association 102, 824-840.Cooley, D. and Sain, S. R. (2008). Spatial hierarchical modeling ofprecipiation extremes from a regional climate model. Accepted byJABES.Fuentes, M., J. Henry, and B. Reich (2009). Nonparametric spatialmodels for extremes: Application to extreme temperature data.Technical report.
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18
-
Referencias
Huerta, G. and B. Sanso (2007). Time-varying models for extremevalues. Environmental and Ecological Statistics 14, 285-299.
Ribatet, M., Cooley, D., and Davison, A. C. (2009). Bayesian inferencefor composite likelihood models and an application to spatial extremes.Submitted.
Sang, H. and Gelfand, A. E. (2008). Continuous spatial process modelsfor spatial extreme values. To appear, JABES.
Sang, H. and Gelfand, A. E. (2009). Hierarchical modeling for extremevalues observed over space and time. Environmental and EcologicalStatistics, 16:407-426.
Schliep, E., D. Cooley, S. Sain, and J. Hoeting. A comparison study ofextreme precipitation from six different regional climate via spatialhierarchical modeling. Extremes (to appear).
Stephenson, A. and J. Tawn (2004). Bayesian inference for extremes:accounting for the three extremal types. Extremes 7, 291-307.
www.stat.unm.edu/∼ghuerta UNM
3ra Semana de Probabilidad y Estadística, BUAP, Junio 14-18