Environmetrics

Một biến thể mới tên là ‘PMF’ trong phân tích yếu tố được mô tả. Giả định rằng X là một ma trận của dữ liệu quan sát và σ là ma trận đã biết của độ lệch chuẩn của các phần tử trong X. Cả X và σ có kích thước n × m. Phương pháp giải quyết vấn đề ma trận song tuyến tính X = GF + E ở đây G là ma trận yếu tố bên trái chưa biết (điểm số) có kích thước n × p, F là ma trận yếu tố bên phải chưa biết (tải trọng) có kích thước p × m, và E là ma trận dư. Vấn đề được giải bằng phương pháp bình phương tối thiểu có trọng số: G và F được xác định sao cho chuẩn Frobenius của E chia từng phần tử theo σ được tối thiểu hóa. Hơn nữa, giải pháp được ràng buộc để tất cả các phần tử của G và F phải không âm. Kết quả cho thấy rằng các giải pháp qua PMF thường khác biệt với các giải pháp từ phân tích yếu tố thông thường (FA, tức là phân tích thành phần chính (PCA) tiếp theo là xoay vòng). Thông thường PMF cung cấp sự phù hợp tốt hơn đối với dữ liệu hơn FA. Ngoài ra, kết quả của PF được đảm bảo không âm, trong khi kết quả của FA thường không thể xoay vòng để loại bỏ mọi phần tử âm. Các ứng dụng tiềm năng khác nhau của phương pháp mới này được thảo luận ngắn gọn. Trong dữ liệu môi trường, các ước lượng lỗi của dữ liệu có thể thay đổi lớn và tính không âm thường là một tính năng cần thiết của các mô hình cơ bản. Do đó, kết luận rằng PMF phù hợp hơn FA hoặc PCA trong nhiều ứng dụng môi trường. Các ví dụ về ứng dụng thành công của PMF được trình bày trong các bài báo đồng hành.

Nhiều nghiên cứu gần đây đã báo cáo những ảnh hưởng đáng kể đến sức khỏe của ô nhiễm không khí ngay cả ở mức độ thấp của các chất ô nhiễm không khí. Những nghiên cứu này đã bị chỉ trích về phương pháp thống kê và sự không đồng nhất trong kết quả giữa các thành phố. Một diễn biến quan trọng trong dịch tễ học ô nhiễm không khí đã đến từ các nghiên cứu đa trung tâm. Trong dự án APHEA-2, chúng tôi đã phát triển một phương pháp thống kê để đánh giá các tác động sức khỏe ngắn hạn của ô nhiễm không khí bằng cách sử dụng dữ liệu từ 30 thành phố trên khắp Châu Âu. Đối với phân tích, một phương pháp mô hình phân cấp đã được áp dụng và triển khai trong hai giai đoạn: (a) dữ liệu từ mỗi thành phố được phân tích riêng biệt để cho phép sự khác biệt tại địa phương, sử dụng các mô hình hồi quy Poisson tổng quát; (b) các ước lượng tác động đặc thù của thành phố được hồi quy trên các biến đồng covariates đặc thù của thành phố để thu được một ước lượng tổng thể và khám phá sự không đồng nhất giữa các thành phố. Để minh họa phương pháp của chúng tôi, chúng tôi trình bày kết quả đối với các tác động của PM₁₀. Người ta phát hiện rằng sự gia tăng 10 μg/m³ trong nồng độ PM₁₀ hoặc NO₂ liên quan đến việc tăng tổng tỷ lệ tử vong là 0.67% (95% CI: 0.50 đến 0.90) và 0.33% (0.20 đến 0.40), tương ứng. Sau khi điều chỉnh lẫn nhau, tác động của PM₁₀ giảm 40% và tác động của NO₂ giảm 20%, nhưng cả hai ước lượng kết hợp vẫn còn là đáng kể. Nồng độ NO₂ trung bình dài hạn đóng vai trò là một yếu tố điều chỉnh cho các tác động của PM₁₀, ngay cả sau khi đã điều chỉnh cho các tác động gây nhiễu của NO₂. Trong giai đoạn thứ hai, chúng tôi đã khám phá hai mô hình khác nhau để kết hợp các tác động của PM₁₀ đã được điều chỉnh cho NO₂ giữa các thành phố: mô hình nhị biến, tính đến mối tương quan trong thành phố của PM₁₀ và NO₂; và mô hình đơn biến, không tính đến mối tương quan này. Cả hai mô hình đều cho ra kết quả tương tự nhau. Bản quyền © 2004 John Wiley & Sons, Ltd.

Các phương pháp hiện tại để điều chỉnh sai số phát hiện yêu cầu nhiều lần ghé thăm cùng một địa điểm khảo sát. Nhiều tập dữ liệu lịch sử tồn tại, được thu thập chỉ với một lần ghé thăm, và các yếu tố về logistics/chi phí ngăn cản nhiều chương trình nghiên cứu hiện tại thu thập dữ liệu từ nhiều lượt ghé thăm. Trong bài báo này, chúng tôi khám phá những gì có thể thực hiện với dữ liệu số lượng từ một lần ghé thăm khi có sai số phát hiện. Chúng tôi chứng minh rằng khi có các biến phù hợp ảnh hưởng đến cả phát hiện và độ phong phú, xác suất điều kiện có thể được sử dụng để ước lượng các tham số hồi quy của mô hình hỗn hợp Poisson nhị thức – gia tăng số không (ZIP) và điều chỉnh cho sai số phát hiện. Chúng tôi sử dụng số lượng quan sát của Chim Ovenbird (Seiurus aurocapilla) để minh họa việc ước lượng các tham số cho mô hình hỗn hợp Poisson nhị thức – gia tăng số không bằng cách sử dụng một tập hợp dữ liệu từ một trong những bộ dữ liệu chuỗi thời gian sinh thái lớn nhất và lâu dài nhất chỉ có những lần ghé thăm đơn lẻ. Phương pháp một lần tham quan của chúng tôi có các đặc điểm như sau: (i) không yêu cầu giả định về một quần thể kín hoặc điều chỉnh do di chuyển hay di cư gây ra; (ii) hiệu quả về chi phí, giúp các nhà sinh thái học có thể bao phủ một khu vực địa lý rộng lớn hơn so với khi phải quay lại các địa điểm; và (iii) các ước lượng kết quả có vẻ rất hiệu quả về mặt thống kê và tính toán. Bản quyền © 2012 John Wiley & Sons, Ltd.

Bối cảnh biến đổi khí hậu đã đặt ra những vấn đề mới trong việc tính toán các mức độ quay lại (RL) của nhiệt độ bằng cách sử dụng lý thuyết giá trị cực đoan thống kê. Điều này xuất phát từ việc chưa thể chấp nhận giả thuyết rằng chuỗi các cực đại hoặc các giá trị cao là ổn định, mà không ít nhất xác minh giả định này. Do đó, trong bài báo này, các phương pháp khác nhau được thử nghiệm và so sánh để suy ra các mức độ quay lại bậc cao trong bối cảnh không ổn định. Các RL này được tính toán bằng cách ngoại suy các xu hướng đã được xác định, và một phương pháp bootstrap được sử dụng để ước lượng khoảng tin cậy. Việc xác định xu hướng có thể được thực hiện hoặc trong các tham số của các phân phối giá trị cực đoan hoặc trong trung bình và phương sai của toàn bộ chuỗi. Sau đó, một phương pháp luận được đề xuất để kiểm tra xem các xu hướng trong các giá trị cực đoan có thể được giải thích bởi các xu hướng trong trung bình và phương sai của toàn bộ tập dữ liệu hay không. Nếu đúng như vậy, các giá trị cực đoan trong tương lai có thể được suy ra từ các giá trị cực đoan ổn định của biến đã được trung bình hóa và chuẩn hóa cũng như những thay đổi trong trung bình và phương sai của toàn bộ tập dữ liệu. Các RL có thể sau đó được ước lượng là không ổn định hoặc ổn định cho các khoảng thời gian tương lai cố định. Công việc được thực hiện cho cả hai phương pháp giá trị cực đoan: cực đại khối và đỉnh vượt ngưỡng, và sẽ được minh họa bằng ví dụ về một chuỗi thời gian quan sát dài cho nhiệt độ tối đa hàng ngày ở Pháp. Bản quyền © 2010 John Wiley & Sons, Ltd.

Trong bài báo này, chúng tôi nghiên cứu ảnh hưởng của việc giảm cụm áp dụng cho các chuỗi quan sát cực trị. Thông qua một nghiên cứu mô phỏng, chúng tôi chứng minh rằng thực tiễn thông thường trong việc phân tích điểm đỉnh vượt ngưỡng (POT) có thể dẫn đến độ thiên lệch nghiêm trọng trong việc ước lượng các tham số, cũng như các mức trả lại được sử dụng làm thông số thiết kế khi xây dựng để chống lại các cực trị về gió hoặc mưa, hay mực nước sông hoặc biển. Chúng tôi chứng minh rằng một phương pháp đơn giản hơn rất nhiều, đó là phân tích trực tiếp tất cả các giá trị vượt ngưỡng cao, có thể giảm độ thiên lệch này xuống mức không đáng kể. Phương pháp này cho đến nay chưa được ưa chuộng, vì dữ liệu được phân tích không độc lập. Ảnh hưởng của điều này là gây ra độ sai chuẩn tiêu chuẩn liên quan đến các ước lượng tham số, làm cho chúng thiếu sót trong việc đánh giá sự không chắc chắn gắn liền với các ước lượng này. Chúng tôi áp dụng các phương pháp hiện có nhưng ít được sử dụng để làm tăng các sai số chuẩn này, và chúng tôi chứng minh rằng các giá trị điều chỉnh là đại diện rất tốt cho sự không chắc chắn thực sự liên quan đến các ước lượng xác suất cực đại. Do đó, phương pháp tổng thể đã đạt được hiệu quả là loại bỏ độ thiên lệch trong ước lượng, trong khi vẫn tính toán các tác động không mong muốn do dữ liệu phụ thuộc gây ra.

Chúng tôi áp dụng phương pháp của mình cho một chuỗi dữ liệu sóng triều từ tây nam nước Anh, và minh họa sự khác biệt giữa phương pháp này và phương pháp POT, những khác biệt này nhất quán với việc phương pháp POT đánh giá thấp các mức trả lại trong thời gian dài. Chúng tôi cũng chú trọng đáng kể vào việc kiểm tra tính chắc chắn của kết quả, chứng minh rằng các vấn đề tính thiên lệch do phương pháp POT gây ra áp dụng một cách hệ thống trên tất cả các sơ đồ giảm cụm mà chúng tôi xem xét, cũng như trên toàn bộ phạm vi hành vi đuôi. Khi mối quan tâm chính là trong việc ước lượng mức trả lại, chúng tôi khuyến nghị quy trình của chúng tôi thường sẽ hiệu quả và đáng tin cậy hơn nhiều so với phương pháp POT. Nếu có sự quan tâm sâu hơn về bản thân sự phụ thuộc chuỗi, chúng tôi khuyến nghị rằng sự phụ thuộc này được mô hình hóa một cách rõ ràng, và chúng tôi sẽ tham khảo người đọc đến một bài báo trước của các tác giả, đã được xuất bản trên tạp chí này. Bản quyền © 2006 John Wiley & Sons, Ltd.

Nghiên cứu hỏa địa toàn cầu là rất cần thiết để thông tin cho các đánh giá tác động của biến đổi khí hậu được sử dụng cho quản lý và ra quyết định. Khí hậu là một yếu tố tác động mạnh mẽ đến các mô hình không gian và tạm thời của hỏa hoạn, khiến cho sự thay đổi khí hậu đang diễn ra dự kiến sẽ thay đổi hoạt động hỏa hoạn toàn cầu. Số lượng ngày càng tăng các phân tích thống kê - tương quan khảo sát các yếu tố môi trường của các mô hình hỏa hoạn toàn cầu hiện tại hoặc diện tích cháy, nhưng rất ít nghiên cứu đặt ra các câu hỏi quan trọng “nếu có” về tiềm năng tương lai của hỏa hoạn dưới các kịch bản của biến đổi khí hậu. Do đó, mục tiêu của chúng tôi là thu hút cộng đồng thống kê rộng lớn hơn tham gia vào phân tích các sản phẩm dữ liệu hỏa hoạn toàn cầu nhằm thúc đẩy hiểu biết thêm về các chế độ hỏa hoạn và những mối liên kết phức tạp mà chúng thể hiện giữa sinh quyển và khí quyển. Chúng tôi cung cấp một cái nhìn tổng quan về các ràng buộc đối với các chế độ hỏa hoạn và vai trò của hỏa hoạn trong sinh quyển - khí quyển, mô tả các phương pháp chung đang được sử dụng để đánh giá hỏa hoạn - khí hậu toàn cầu, tóm tắt các cơ hội và cạm bẫy trong các bộ dữ liệu hỏa hoạn toàn cầu có công khai truy cập, và làm nổi bật tư duy về các bước tiếp theo cho phân tích dữ liệu hỏa hoạn toàn cầu và chế độ hỏa hoạn. Bản quyền © 2014 John Wiley & Sons, Ltd.

Việc phân chia môi trường thành các vùng mà có vẻ như chứa đựng nội dung sinh học tương tự là hữu ích để điều tra các câu hỏi về phân bố và sinh cảnh, đồng thời giúp hướng dẫn việc bảo tồn và sử dụng tài nguyên. Nhiệm vụ thống kê này yêu cầu liên kết dữ liệu hiện diện/vắng mặt từ nhiều loài với dữ liệu môi trường có cùng vị trí. Trong bài báo này, chúng tôi giới thiệu một khuôn khổ mô hình hóa thống kê mà mô hình hóa môi trường như một tập hợp các vùng, nơi mà vector xác suất quan sát một tập hợp các loài vẫn giữ nguyên tương đối trong một vùng và riêng biệt giữa các vùng khác nhau. Điều này được thực hiện trong khuôn khổ mô hình hỗn hợp các chuyên gia, mà coi loại vùng là một biến ẩn có phân phối biến đổi theo chức năng của môi trường. Cách tiếp cận này cho phép chúng tôi dự đoán xác suất của các loại vùng cho các vị trí đã lấy mẫu và chưa lấy mẫu. Mô hình tổng hợp dữ liệu sinh học và môi trường, kết hợp cả hai trong một xác suất duy nhất cho phép truyền đạt sự không chắc chắn qua toàn bộ mô hình. Phương pháp này được chứng minh bằng một ví dụ tổng hợp và dữ liệu từ một cuộc khảo sát cá từ Bờ Tây Bắc, nằm ngoài khơi Tây Úc. Một gói R, RCPmod, triển khai các phương pháp được mô tả trong bài báo này, đã có sẵn từ CRAN. Bản quyền © 2013 John Wiley & Sons, Ltd.