[论文解读] Confidence regions for excursion sets in asymptotically Gaussian random fields, with an application to climate

Max Sommerfeld, Stephen R. Sain+1 more|arXiv (Cornell University)|Jan 28, 2015

Soil Geostatistics and Mapping参考文献 11被引用 4

一句话总结

本文提出了一种新颖的方法，用于构建空间函数在渐近正态随机场中超过阈值时的置信区域——具体而言，是嵌套的上、下超越集。通过乘子自展法，该方法在不依赖高斯性、平稳性或极限场光滑性的前提下，提供了有效的覆盖概率，并将该方法应用于识别北美地区在21世纪中叶气温升高超过2°C的高风险区域。

ABSTRACT

The goal of this paper is to give confidence regions for the excursion set of a spatial function above a given threshold from repeated noisy observations on a fine grid of fixed locations. Given an asymptotically Gaussian estimator of the target function, a pair of data-dependent nested excursion sets are constructed that are sub- and super-sets of the true excursion set, respectively, with a desired confidence. Asymptotic coverage probabilities are determined via a multiplier bootstrap method, not requiring Gaussianity of the original data nor stationarity or smoothness of the limiting Gaussian field. The method is used to determine regions in North America where the mean summer and winter temperatures are expected to increase by mid 21st century by more than 2 degrees Celsius.

研究动机与目标

• 在仅获得固定网格上重复的噪声观测数据时，为超过阈值的空间函数的超越集提供有效的置信区域。
• 解决由于自然变异性导致在温度变化超过临界阈值（例如2°C）的空间区域中不确定性量化的问题。
• 开发一种不依赖于基础数据或极限场的平稳性、光滑性或高斯性的方法。
• 将该方法应用于NARCCAP项目的真实气候数据，评估21世纪中叶区域极端气温变化的风险。
• 通过计算高效的自展程序，确保数据驱动的嵌套集合在渐近覆盖概率上包含真实超越集。

提出的方法

• 提出覆盖概率超越集（CoPE）：一对嵌套的超越集 $\hat{A}_c^+$ 和 $\hat{A}_c^-$，满足 $\hat{A}_c^+ \subset A_c \subset \hat{A}_c^-$，且渐近覆盖概率为 $1 - \alpha$。
• 使用乘子自展程序估计真实超越集的渐近覆盖概率，避免了对极限高斯场未知相关函数的估计。
• 对目标函数 $\mu$ 的渐近正态估计量 $\hat{\mu}_n$ 应用中心极限定理，收敛速率为 $\tau_n = 2n^{-1/2}$。
• 将目标函数定义为两个时间段（1971–1999 与 2041–2069）平均夏季或冬季气温的差异，阈值 $c = 2^\circ C$。
• 采用广义线性模型框架，在每个空间位置 $\mathbf{s}$ 处估计均值差异场，设计矩阵结构用于分离两个时间段。
• 使用边界 $\partial A_c$ 的插值估计来校准自展程序，即使真实边界未知，也能确保有效推断。

实验结果

研究问题

• RQ1 当基础数据未必为高斯分布或平稳过程时，如何为空间超越集构建置信区域？
• RQ2 包含真实超越集的数据驱动嵌套超越集对的渐近覆盖概率是多少？
• RQ3 是否可以使用乘子自展程序来估计覆盖概率，而无需显式估计极限高斯场的相关函数？
• RQ4 北美哪些区域在21世纪中叶夏季和冬季平均气温升高超过2°C具有统计显著风险？
• RQ5 当应用于包含数千个网格点的高维空间数据时，该方法的计算效率如何？

主要发现

• 所提出的CoPE集对真实超越集实现了90%的渐近覆盖概率，意味着在重复抽样中，真实感兴趣区域以该概率位于上下界之间。
• 对于平均夏季气温，美国落基山脉和墨西哥奇瓦瓦山脉地区被识别为超过2°C变暖的高风险区域，而佛罗里达州、墨西哥北部部分地区以及加拿大西北地区则无风险。
• 对于平均冬季气温，哈德逊湾及加拿大盾地区显示出高风险，而墨西哥湾以北的小片区域则无风险。
• 整个分析过程，包括逐点回归和自展计算，仅在标准笔记本电脑上用时不足五秒，证明了其极高的计算效率。
• 该方法在弱假设下依然有效：无需原始数据的高斯性、极限高斯场的平稳性或光滑性。
• 乘子自展程序在高维数据中被证明有效，其理论基础得到近期研究支持（Chernozhukov 等，2013）。