[論文レビュー] Guidance note on best statistical practices for TOAR analyses

Kai‐Lan Chang, Martin G. Schultz+2 more|arXiv (Cornell University)|Apr 27, 2023

Risk and Safety Analysis被引用数 47

ひとこと要約

このガイダンスノートはTOARのトレンド分析における最良の統計実践を規定し、分位点回帰、不確実性の定量化、データ前処理、および変化点手法を強調して、TOARの出版物間で一貫した報告を確保します。

ABSTRACT

The aim of this guidance note is to provide recommendations on best statistical practices and to ensure consistent communication of statistical analysis and associated uncertainty across TOAR publications. The scope includes approaches for reporting trends, a discussion of strengths and weaknesses of commonly used techniques, and calibrated language for the communication of uncertainty. The focus of this guidance note is placed on trend analysis, which is expected to be the main statistical topic of interest across many TOAR-II focus working groups, but some of the recommendations and principles provided below are also valid for other applications. Recommendations are highlighted and numbered from R1 to R9.

研究の動機と目的

• TOAR分析におけるトレンド分析の範囲と目的を定義し、変化とその不確実性をどのように定量化するかを含めて説明する。
• 線形と非線形のトレンド手法をいつ用いるべきか、共変量と変化点をどのように組み込むかについて助言する。
• トレンド推定と不確実性の伝達のための標準化された統計フレームワーク（分位点回帰）を推奨する。
• 有効なトレンド推定を保証するためのデータ準備ガイドライン（季節調整／除季節化）を提供する。
• トレンドの不確実性と信頼性を評価・報告する方法を概説する。
• TOARの出力全体でトレンドの不確実性を伝えるためのキャリブレーションされた言語を推進する。

提案手法

• 分位点回帰（QR）をTOARの標準的なトレンド分析手法として推奨する。分布の変化を捉え、共変量を組み込む能力があるため。
• 線形トレンド手法（GLS、Sen-Theil、QR）を比較し、堅牢性、自己相関の取り扱い、さまざまなデータ特性への適用性について論じる。
• サンプルサイズに基づくデフォルトの分位点報告について助言し、極端な分位点には注意を払い、極端値にはGEV/閾値モデルの使用を提案する。
• 季節調整を含むデータ準備の手順と、季節除去して不確実性の過大評価を防ぐ方法を説明する。
• 信頼区間、標準誤差、および自己相関を考慮する方法（例：移動ブロックブートストラップ、前白色化）を用いてトレンド不確実性を定量化する方法を説明する。
• 実際のトレンドの変化に対処するためのチェンポイント分析（区分的線形トレンド）の組み込みと、視覚的・統計的検査によるデータ構造の検証について助言する。

Table 1: A brief comparison of statistical capabilities of three commonly applied techniques.

実験結果

リサーチクエスチョン

• RQ1 TOAR分析においてトレンドとその不確実性を報告するための推奨統計実践は何か？
• RQ2 線形および非線形のトレンドはどのように扱い、伝えるべきか、チェンポイント分析を用いた区分的線形トレンドをいつ使用すべきか？
• RQ3 TOARのトレンド分析に分位点回帰が推奨される理由と、小サンプルや極端な分位点に対する限界は何か？
• RQ4 季節性/除季節化を含むデータ準備は、妥当なトレンド推定を確保するためにどのように実施すべきか？
• RQ5 TOARの出版物全体でトレンド推定の不確実性と信頼性をどのようにキャリブレーションし伝えるべきか？
• RQ6 チェンポイント検出をトレンド分析にいつどのように適用すべきか、そして結果をどのように解釈すべきか？

主な発見

• 分位点回帰は、異なるパーセンタイルのトレンドを捉え、共変量の帰属性および変化点分析を可能にするため、TOARトレンド分析の標準手法として推奨される。
• 線形トレンド手法（GLS、Sen-Theil）は補完的な役割を持つが、QRは特にホモスケダスティシティや自己相関の下でより広い適用性を提供する。
• トレンド推定の不確実性は定量化されるべきで、例：95%信頼区間、非IID残差にはブロックブートストラップやロバストSEを用いて対応。自己相関を無視すると不確実性が過小評価される。
• 季節的・日周期はQRの前にモデリングまたは除季節化すべきで、不確実性の過大評価とトレンド推定の偏りを防ぐ。
• トレンドの genuine shifts を識別・解釈するために変化点分析を用いるべきで、データ品質や機器の変更には注意。区分的線形トレンドはトレンド変化の解釈可能な帰属を提供できる。
• p値またはSNRに基づく、統計的有意性を避けた校正された、階層的な言語を用いてトレンドの信頼性を報告すべきである。

Figure 1: A demonstration of the difference between a range of mean/median trend methods (upper panel) and percentile trends derived from QR (lower panel), based on surface ozone anomalies measured at Mace Head, Ireland. Loess (locally estimated scatterplot smoothing, gray curve) fit is added to sho