[论文解读] Guidance note on best statistical practices for TOAR analyses
本指南旨在规定 TOAR 趋势分析的最佳统计实践，强调分位数回归、不确定性量化、数据预处理和变化点方法，以确保 TOAR 各出版物中报告的一致性。
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.
研究动机与目标
- 定义 TOAR 分析中趋势分析的范围与目的，包括如何量化变化及其不确定性。
- 就何时使用线性与非线性趋势方法以及如何纳入协变量和变化点提供建议。
- 推荐用于趋势估计和不确定性传达的标准化统计框架（分位数回归）。
- 提供数据准备指南（季节调整/去季节性化），以确保有效的趋势估计。
- 概述如何评估并报告趋势的不确定性和可靠性。
- 提倡在 TOAR 输出中使用经过校准的语言来传达趋势不确定性。
提出的方法
- 建议将分位数回归（QR）作为 TOAR 的标准趋势分析方法，因为它能够捕捉分布的变化并纳入协变量。
- 比较线性趋势技术（GLS、Sen-Theil、QR），讨论稳健性、自相关处理以及对不同数据特征的适用性。
- 就基于样本量的默认分位数报告提供建议，对极端分位数保持谨慎，并建议对极端情况使用 GEV/阈值模型。
- 描述数据准备步骤，包括季节调整和去季节性化，以防止不确定性膨胀。
- 解释如何使用置信区间、标准误以及考虑自相关的方法（如移动块自放、预白化）来量化趋势不确定性。
- 就将变化点分析（分段线性趋势）纳入，以处理趋势中的真实转变，并通过可视化和统计检查来验证数据结构。
实验结果
研究问题
- RQ1在 TOAR 分析中报告趋势及其不确定性时的推荐统计实践是什么？
- RQ2线性与非线性趋势应如何处理和传达，何时应使用带变化点分析的分段线性趋势？
- RQ3为何在 TOAR 趋势分析中偏好分位数回归，以及它在小样本或极端分位数方面的局限性？
- RQ4如何进行数据准备（季节性、去季节性化）以确保有效的趋势估计？
- RQ5在 TOAR 出版物中应如何对趋势估计的不确定性和可靠性进行校准和传达？
- RQ6何时以及如何将变化点检测应用于趋势分析，结果应如何解读？
主要发现
- 由于分位数回归能够捕捉异质的百分位趋势并实现协变量归因和变化点分析，推荐将其作为 TOAR 趋势分析的标准方法。
- 线性趋势方法（GLS、Sen-Theil）具有互补作用，但 QR 提供更广泛的适用性，特别是在异方差和自相关下。
- 趋势估计的不确定性应量化（如 95% 置信区间），并应使用像块自助法或鲁棒标准误等方法来处理非独立同分布的残差；忽略自相关可能导致不确定性低估。
- 季节性和昼夜循环应在 QR 之前建模或进行去季节化，以避免不确定性膨胀和趋势估计偏差。
- 应使用变化点分析来识别并解释趋势中的真实转变，需谨慎对待数据质量和仪器变更；分段线性趋势可提供对趋势变化的可解释归因。
- 应使用经过校准的分级语言（避免“统计显著”），基于 p 值或信噪比来报告趋势的可靠性。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。