Upload
wanda-weitzel
View
103
Download
1
Embed Size (px)
Citation preview
Trendverhalten und Instationarität von Verteilungen
M. Kallache, B. Thies, H. Lange
Das BMBF-VorhabenDas BMBF-Vorhaben
Skalenanalyse hydrologischer und Skalenanalyse hydrologischer und hydrometeorologischer Zeitreihenhydrometeorologischer Zeitreihen
Bayerisches Landesamtfür Wasserwirtschaft
Norwegisches Waldforschungsinstitut
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Gliederung
1. Einordnung
2. Daten
3. Trend Test unter Berücksichtigung von Autokorrelationen
4. Analyse von Verteilungsinstationaritäten mit dem fensterbasierten, integrierten Kolmogorov-Smirnov Test
5. Ausblick: offeneFragen/Ursachensuche
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Einordnung
sie relevant für die Analyse von Hochwasserursachen und Abschätzung von Hochwasserrisiken ist
sie Indikatioren für die Unterscheidung menschlicher und natürlicher Einflüssen bieten kann
viele Zeitreihen-Methoden Stationarität voraussetzen
Die Bewertung von Instationaritäten hydrologischer Zeitreihen ist wichtig, da
Betrachtete Verteilungs-Instationaritäten
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Daten: Donau - D13Abflußdaten des Einzugsgebietes D13
Normierung:
Trendanalyse:- Entfernung des periodischen Jahreszyklus - Mittelwert (0) und Varianz (1) [alle]
Kolmogorov-Smirnov Statistik:- Mittelwert (0) und Varianz (1) [fensterweise]
monatliche Werte (Trendanalyse) und tägliche Werte (KS-Statistik)
gesamte Länge
Burghausen
Altenmarkt o. d. T.Stein
BrodhausenSiegsdorf
Wernleiten
Staudach Unterjettenberg
Ilsank
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Trendanalyse unter Berücksichtigung von Autokorrelationen
Modellannahmen: Die Zeitreihe Yt sei gegeben durch
Yt = Tt + Xt
Tt : deterministische Trendkomponente Xt : wird durch stochastisches Modell repräsentiertLangzeitkorrelation verursacht ggf. lange Abweichungen vom Mittelwert und lokale Trends (siehe auch Beran (1994))
AR(1) Prozeß mit Parametern =0.3, 2=1 FD() Prozeß mit Parametern =0.45, 2=1
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Trendanalyse: Stochastische Modelle
Ein Goodness-of-Fit Test (entwickelt durch Milhoj(1981)) testet, ob die empirischen Daten als Realisierung des Modells gelten können
finde das einfachste Modell, das am besten zu den Daten paßt Der AIC ( Akaike Information Criterion) vergleicht die Performance von Modellen verschiedener Komplexitätsstufen
FARIMA((1,..,p),,(1,.., q)) (fractional autoregressive integrated moving average) Modelle, die sowohl Lang- als auch Kurzzeitkorrelationen abbilden können
Modelle mit wenigen Parametern sind evtl. zu einfach, um die Systemynamik zu reproduzieren
viele Parameter erhöhen die Unsicherheit bezüglich der Parameterschätzung
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Mit der Diskreten Wavelet Transformierten (DWT) wird die Zeitreihe gesplittet:
DWTY X* + T*
X* : Variationen zu kleinen Skalen
T* : Variationen zu großen Skalen
T* enthält die deterministische Trendkomponente, sowie Variationen von X* zugroßen Skalen
Trendanalyse: Trendschätzung mit Wavelets
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Trendanalyse: Parameterschätzung
eine adäquate Schätzung der Parameter ist wichtig für die Wahl des stochastischen Modells und den Trendtest
ein starker Trend verzerrt die Parameterschätzung
bei Daten mit starker Trendkomponente werden die Parameter exakter auf gefilterten Daten geschätzt – wo Fluktuationen auf großen Skalen mit Wavelet Filtern entfernt wurden
durch interatives Vorgehen kann man sich einer exakten Parameterschätzung annähern
Whittle Näherung an die Maximum-Likelihood Schätzung zum Bestimmen der Modellparameter
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Trendanalyse: Trend Test
die Verteilung der Teststatistik wird via Monte Carlo Simulation der Zeitreihe ohne Trend generiert
falls der Teststatistikwert von Yt pc(emp) ein Quantil dieser Verteilung zu einem Level überschreitet, wird die Hypothese von keinem Trend zu diesem Level abgelehnt
2
2
t
tcp
*X
Y
Die Teststatistik erhält man durch Vergleich der Varianzder Zeitreihe selbst mit den stochastischen Variationenauf kleinen Skalen:
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
die Varianz des Trend- schätzers hängt ab von
der Wahl des stochastischen Modells
der Größe der geschätzten Modellparameter
Trendanalyse: Varianz des Trendesfür stationäre Prozesse kann die Autokovarianzfunktion von X* benutzt werden, um die Varianz des Trend-schätzers zu bestimmen
je weiter das Sigmaintervall des Trendschätzers ist, desto seltener wird ein signifikanter Trend gefunden
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Trendanalyse: Vor- und Nachteile der Metode
Vorteile:
Semi-Parametrischer AnsatzKorrelationen werden berücksichtigtlokal polynomer Trenschätzer gibt Hinweis auf die Form des TrendesTest robust auch bei späterem Einsetzen eines TrendesTest robust bei Änderung der Varianz der Zeitreihe
Nachteile:
• Semi-Parametrischer Ansatz
• Annahmen über die Korrelationsstruktur der Daten mittels eines stochastisches Modells werden getroffen
• rechenaufwändig durch Monte-Carlo Simulation zur Generierung der Verteilung der Teststatistik
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Trendanalyse: Ergebnissedas kurzzeitkorrelierte AR(1) Modell wird vom AIC zumeist als bester Fit gewählt
der Langzeitparameter war bei der Betrachtung monatlicher Maxima (im Gegensatz zu monatlichen Durchschnittswerten) eher nötig
die Form des Trendschätzers T* enthält oft Segmente des An- und Abstiegs. Es ist davon auszugehen, daß die analysierte Zeitspanne bei Trenduntersuchungen wichtig ist
signifikante Trends wurden gefunden fürmonatliche Maxima: Brodhausen/Sur, Stein/Traun, Wernleiten/RoteTraun, Altenmarkt/Alz(Tendenz: fallend)monatliche Durchschnittswerte: Altenmarkt/Alz(Tendenz: leicht steigend)
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Trendanalyse: Konsequenzen für die Praxis
die Berücksichtigung der Korrelationsstruktur bedeutet eine Spezialisierung, da sich diese für jeden Datensatz ändern kann
der Trendtest wird durch Berücksichtigung der Korrelationsstruktur der Daten verbe.ssert, da diese das Testergebnis beeinflußt
durch Einbeziehung der Korrelationsstruktur der Daten wird weniger häufig ein signifikanter deterministischer Trend festgestellt. Dies betrifft insbesondere langzeitkorreliere Abflußdaten (welche zum Beispiel von Lawrence et al. (1977) oder Montanari (1997) gefunden wurden).
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Verteilungsinstationaritäten: der fensterbasierte, integrierte Kolmogorov-Smirnov Test
Mittelwert 7.75 m³/s Mittelwert 8.31 m³/s
Siegsdorf / WeißeTraunFenster A Fenster B
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Verteilungsinstationaritäten: KS-Test
Zeitskalen:2, 5, 10, 20 und 30 Jahre
Verschiebung:um je 1 Jahr
Wie stationär ist die Verteilung der Abflusswerte?
Gibt es Trends (große Zeitskalen)?
Gibt es zyklische Phänomene (kleinere Zeitskalen)?
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Verteilungsinstationaritäten:Fensterbasierter integrierter KS-Test
Fenster A Fenster BKumulative Verteilungen
Differenz der kumul. Vert.
Maximale Differenz: normale KS-Statistik
Mittlerer Unterschied: „integrierte“ KS-Statistik
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Verteilungsinstationaritäten:Fensterbasierter integrierter KS-Test
Fenster A Fenster BKumulative Verteilungen
Differenz der kumul. Vert.Maximale Differenz: normale KS-Statistik
Mittlerer Unterschied: „integrierte“ KS-Statistik
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Verteilungsinstationaritäten:z-Transformation von Verteilungen
Fenster A Fenster BKumulative Verteilungen
Differenz der kumul. Vert.
Mittelwert = 0Std. = 1
Mittelwert = 0Std. = 1
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Verteilungsinstationaritäten: Vor- und Nachteile der Methode
Vorteile:
keine Datenvor-behandlung nötig
hohe Datenmenge unkritisch
Lücken bis 20% eines Fensters akzeptabel
parameterfrei
relativ unempfindlich gegen Ausreißer
unabhängig von den getesteten Kumulativen Verteilungen
Nachteile:
Signifikanzniveaus des konventionellen KS-Tests nicht verwendbar (Voraussetzung: unkorrelierte Daten) MC Simulation
nur relative Vergleiche
ist sensitiver beim Zentrum als bei den Enden der Verteilung
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Verteilungsinstationaritäten: Ergebnisse Siegsdorf/ Weiße Traun 10a
Zeitskala: 10 Jahre
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Verteilungsinstationaritäten:Ergebnisse Siegsdorf/ Weiße Traun 20a
Zeitskala: 20 Jahre
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Verteilungsinstationaritäten:Ergebnisse Datenkollektiv „D13“ 20a
Zeitskala: 20 Jahre
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Verteilungsinstationaritäten:Ergebnisse Datenkollektiv „D13“ 5a
Zeitskala: 5 Jahre
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Verteilungsinstationaritäten:Ergebnisse Datenkollektiv „D13“ MW 5a
Zeitskala: 5 Jahre
Zeitskala: 5 Jahre
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Verteilungsinstationaritäten:Konsequenzen für die Praxis
Fakt ist: Stationarität der Werteverteilungen ist oft nicht gegeben
Daher: Zusatz-/Ersatzinstrument zu Trendanalysen sinnvoll
Ziel: Aufspüren von Instationaritäten
Berücksichtigung bei Methoden-Voraussetzungen
Charakterisierung von Einzelpegeln/Einzugsgebieten
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Ausblick: offene Fragen /Ursachensuche
finden sich Wechsel der Messtechnik in den Werteverteilungen wieder?
gibt es räumliche Muster für die Trends und Instationaritäten in den Verteilungen?
lassen sich die Trends und synchronen, zyklischen Phänomene mit anthropogenen Einflüssen oder klimatischen Variablen erklären und für eine genauere Risikoabschätzung nutzbar machen?
Vielen Dank für Ihre Aufmerksamkeit!
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Weitere Blickwinkel /Zusatzfolien
Ergebnis für normierte Fenster
PCA
Verteilungs-Fits & KSSUM
Sherman-Statistik
21. 10. 2004 München Trendverhalten und Instationarität von Verteilungen
Trendanalyse: Power des Trendtests
hängt von der Modellwahl und der Größe der Modellparameter ab
ist wenig schwächer als die eines Standardtests für Lineare Regression (für lineare Trends)
wird nicht signifikant schwächer, wenn der Trend erst in einem späteren Teil der Zeitreihe beginnt
ist sensitiv gegenüber Sprüngen in den Daten, also sollten Sprünge vor der Analyse ausgeschlossen werden
wird von einer Änderung der Varianz der Zeitreihe nicht betroffen
Mittels einer Monte Carlo Studie wurde die Power des Trendtests evaluiert. Sie