[论文解读] Multivariate discrete copulas, with applications in probabilistic weather forecasting

Roman Schefzik|arXiv (Cornell University)|Dec 17, 2015

Financial Risk and Volatility Modeling参考文献 8被引用 11

一句话总结

本文提出多元离散拷贝（multivariate discrete copulas）作为概率性天气预报的理论框架，确立其与随机数组（stochastic arrays）的等价性，并证明了多元离散版的斯克拉斯定理（Sklar’s theorem）。主要贡献在于建立了严格的数学基础，使基于集合天气预报的后处理方法（如集合拷贝耦合与肖卡 shuffle）得以实现。

ABSTRACT

In probability and statistics, copulas play important roles theoretically as well as to address a wide range of problems in various application areas. We introduce the concept of multivariate discrete copulas, discuss their equivalence to stochastic arrays, and prove a multivariate discrete version of Sklar's theorem. These results provide the theoretical frame for multivariate statistical methods to postprocess weather forecasts made by ensemble systems, including the ensemble copula coupling approach and the Schaake shuffle.

研究动机与目标

• 开发适用于集合天气预报统计后处理的多元离散拷贝理论框架。
• 建立多元离散拷贝与随机数组之间的等价性，以实现依赖结构的系统化建模。
• 证明多元离散版的斯克拉斯定理，确保联合分布函数（CDF）与均匀边缘分布之间的一致关联。
• 弥合理论拷贝理论与气象学集合后处理技术的实际应用之间的鸿沟。
• 为集合拷贝耦合与肖卡 shuffle 等方法在离散、有限样本设定下提供数学上严谨的基础。

提出的方法

• 在格点 $I_M^L$ 上定义具有基底性、均匀边缘性及 $L$-递增性的多元离散拷贝。
• 利用组合数学与序理论性质，建立多元离散拷贝与随机数组之间的等价性。
• 证明离散子拷贝的延拓引理，使能从部分依赖结构构造完整拷贝。
• 推导多元离散斯克拉斯定理：任意具有离散边缘的多元 CDF 均可由离散拷贝及其均匀边缘表示。
• 利用该表示形式，将集合后处理方法（如集合拷贝耦合与肖卡 shuffle）形式化为离散拷贝变换的实例。
• 在实际天气数据上应用该框架，使用欧洲中期天气预报中心（ECMWF）的预报与德国气象局的观测数据。

实验结果

研究问题

• RQ1 在双变量情形之外，多元离散拷贝如何在多元设定中被形式化定义并表征？
• RQ2 多元离散拷贝与随机数组之间存在何种精确的数学关系？
• RQ3 能否为具有有限支撑的多元离散分布建立斯克拉斯定理的离散版本？
• RQ4 该理论框架如何应用于改进概率性集合天气预报中的统计后处理？
• RQ5 诸如集合拷贝耦合与肖卡 shuffle 等成熟方法在多大程度上能自然地从该离散拷贝框架中导出？

主要发现

• 多元离散拷贝在数学上等价于随机数组，为依赖结构提供了组合解释。
• 证明了多元离散版的斯克拉斯定理，表明任意具有离散边缘的多元 CDF 均可由离散拷贝及其均匀边缘表示。
• 在部分定义域上定义的离散子拷贝可被延拓为完整的离散拷贝，确保依赖模型的一致性与存在性。
• 该框架形式化地证明了集合拷贝耦合与肖卡 shuffle 作为有效离散拷贝基后处理技术的合理性。
• 理论结果在真实天气数据上得到验证，展示了其在实际概率预报中的适用性。
• 当边缘 CDF 在 $I_M$ 上具有全支撑时，离散拷贝由联合 CDF 唯一确定，确保可识别性。