FGEV2 x0ut [FGEV1 x0ut0621
0 < 0 < 1。参数0连接依赖和独立的情况下被称为极值指数。
方程(6.21)有相当大的实际后果,因为它允许GEV和GP评估方法也适用于健忘的数据流程。一个警告是份措辞尖锐削弱观测的数量减少。科尔斯(2001 b:其中5.3.1节)为n0作为有效数据的数量大小对GEV的质量近似。
为拟合GP分布阈值从健忘流程极端,高斯(其中2001 b: 5.3.3节)notes declustering技术。这考虑到在持久性极端往往发生在集群(连续两次)。在一个集群中,只有最大保留GP过剩在阈值估计。Declustering相当于锅数据选择(6.1.2节)实施二次选择标准。禁止与declustering相关的信息损失,相反,它可能值得考虑保留所有锅价值观和占持久性通过造型或调整协方差矩阵(见背景材料)。
6.2.5.3长记忆
即使X(我)是一个相当长的历史过程(2.4.1节),GEV或者GP模型可能适用。其中史密斯(1989年):页392 - 393)的言论,如果X(我)一个高斯分布形状和p (n) log (n)为n ^ ^ 0,那么长期依赖“并不重要”,指的是一篇论文,伯曼(1964)。自相关函数p (h)为一个ARFIMA过程确实满足条件,和X的一个合适的变换(i)可能产生大约一个高斯分布的形状。看到河径流的例子(2.5.3节)。
从长记忆的主要问题可能是独立观测的数量减少到更强的程度比短期记忆。这使得GEV GP近似比没有记忆不准确或健忘的病例。
继续阅读:马dfCOV dTA 1 x M
这篇文章有用吗?