Bruchpunktanalyse langzeitkorrelierter Daten

Slides:



Advertisements
Ähnliche Präsentationen
T - Test Prüfung des Mittelwerteunterschieds bei abhängigen und unabhängigen Stichproben.
Advertisements

Arbeitsgruppe Meteorologische Umweltforschung/Klimatologie Institut für Meteorologie und Geophysik der J. W. Goethe-Universität Frankfurt/M. Anwendung.
Berechnung des Korrelationskoeffizienten Vorbemerkung. Der Korrelationskoeffizient ist im Grunde ein Bruch aus 3 unvollständig berechneten statistischen.
Berechnete Felder in Abfragen Mittels Abfragen können einfache, aber auch komplexe Informationen aus einer Tabelle gewonnen werden. Eine Besonderheit bieten.
Zufallsgrößen und Beschreibung – Wiederholung Sek. I
Forschungsstrategien Johannes Gutenberg Universität Mainz
PANAVA Seminar: Motivationsdiagnostik Leiter: Joachim Wutke
Gliederung Vertrauensintervalle Arten von Hypothesen
Forschungsstatistik II Prof. Dr. G. Meinhardt SS 2005 Fachbereich Sozialwissenschaften, Psychologisches Institut Johannes Gutenberg Universität Mainz KLW-24.
Forschungsstatistik II Prof. Dr. G. Meinhardt SS 2006 Fachbereich Sozialwissenschaften, Psychologisches Institut Johannes Gutenberg Universität Mainz KLW-18.
Statistical-dynamical methods for scale dependent model evaluation and short term precipitation forecasting (STAMPF / FU-Berlin) Zielsetzung von STAMPF:
Color Discrimination for Natural Objects
Mehrfachregressionen
Hypothesen testen: Grundidee
K. Desch - Statistik und Datenanalyse SS05
Das BMBF-Vorhaben Skalenanalyse hydrologischer und hydrometeorologischer Zeitreihen Trendverhalten und Instationarität von Verteilungen M. Kallache,
Synchrones Verhalten von Abflusszeitreihen in ausgewählten Einzugsgebieten Süddeutschlands B. Thies, H. Lange Norwegisches Waldforschungsinstitut.
Zeitreihenanalyse WS 2004/2005 Michael Hauhs / Gunnar Lischeid
Das BMBF-Vorhaben Skalenanalyse hydrologischer und hydrometeorologischer Zeitreihen Skalenanalyse in der Hydrologie – warum? Von Peter Braun, ehemals Bayerisches.
Nachholung der Vorlesung vom Freitag
Datenmatrix.
Sportwissenschaftliche Forschungsmethoden SS Statistischer Test.
LIAB: Beispiel Lutz Bellmann und André Pahnke Laser empirisch Veranstaltung am 12. Februar 2008.
Das wars!.
Wiederholung und Beispiele
Einführung in die Metaanalyse
(Un-)sicherheiten in der Ökosystemmodellierung
Multikollinearität Wann spricht man von Multikollinearität?
Daten auswerten Boxplots
Datenverteilung in Ad-hoc Netzen 1/24 Adaptive Datenverteilung in mobilen Ad-hoc Netzen unter Verwendung des Area Graph basierten Bewegungsmodells S. Bittner,
Christian Schulz, Marc Thielbeer, Sebastian Boldt
Histogramm/empirische Verteilung Verteilungen
Abschlusspräsentation Titel der Seminararbeit
Saisonale Wasserbilanz (7. 2) Saisonale Trends in Niederschlag (2
Ausgleichungsrechnung II
Chi Quadrat Test Tamara Katschnig.
Polynome und schnelle Fourier-Transformation
Mittelwert und Standardabweichung
Statistik: Mehr zur Regression.
Kapitel 10 Multikollinearität
Kapitel 9 Analyse der Modellstruktur Hackl, Einführung in die Ökonometrie 2 Rekursive OLS-Schätzung Spezifiziertes Modell: y = X + u y, u:
Fälle und Anwendungen zur Makroökonomik, HS , Folie 1 Anfertigen einer empirischen Arbeit Leitfaden.
EXPONENTIALVERTEILUNG
Datenreihen erzeugen –
Wahrscheinlichkeitsrechnung
1 Stichprobenverfahren zur Qualitätssicherung Hilfestellung der Statistik in der Wirtschaftsprüfung.
Studentisches Seminar
Der Zentralwert.
Forschungsmethodik II, SS 2010 Vesna Pavlovski & Julia Pichlhöfer
Bioinformatik Vorlesung
Erheben, berechnen und darstellen von Daten
10. KFKI-Seminar • • Bremerhaven
Berechnung der Saisonnormalen
Empirische Sozialforschung am Beispiel der Limburger Nordstadt
K. Desch - Statistik und Datenanalyse SS05
Reliabilität.
Kathrin Winter Universität Hildesheim Berlin,
Folie 1> Vortrag > Autor Dokumentname > Datum segmentation Changepoint detection Structural breaks Break points Regime switching Detecting disorder.
Univ.-Prof. Dr.-Ing. H. Nacken Vorlesung Wasserwirtschaft & Hydrologie I Themen: Vorlesung 7 Geoinformationssysteme in der Wasserwirtschaft Grundlagen.
Univ.-Prof. Dr.-Ing. H. Nacken Vorlesung Wasserwirtschaft & Hydrologie I Themen: Vorlesung 8 Statistik Dichtefunktionen Jährliche und partielle Serien.
- Seite 1 TIME INTELLIGENCE ® by Zeichenrand – Löschen! Titel.
Spärliche Kodierung von Videos natürlicher Szenen Vortragender: Christian Fischer.
 Gegenstandsbereich der Testtheorie: Analyse der Charakteristika von Tests:  Güte von Tests.  Struktur von Tests.  Schwierigkeit von Tests.  Gruppenunterschiede.
Prognose von Zeitreihen Hans Nübel Hans Nübel Prognose von Zeitreihen Aufbau 1.Motivation 2.Holt-Winters-Verfahren 3.Prognose.
- Seite 1 TIME INTELLIGENCE ® by Titel.
Rechen- und Kommunikationszentrum (RZ) Selektionsstrategien auf Graphstrukturen Sven Porsche Seminarvorträge Aachen.
Independent Component Analysis: Analyse natürlicher Bilder Friedrich Rau.
Signifikanz – was ist das überhaupt?
Reliabilität.
 Präsentation transkript:

Bruchpunktanalyse langzeitkorrelierter Daten Das BMBF-Vorhaben Skalenanalyse hydrologischer und hydrometeorologischer Zeitreihen Bruchpunktanalyse langzeitkorrelierter Daten J. Neumann1 & D. Rybski2 1 Bayerisches Landesamt für Wasserwirtschaft 2 Justus-Liebig-Universität Giessen Norwegisches Waldforschungsinstitut

Gliederung 1 Aufgabenstellung 2 Methodische Grundlagen (Bruchpunktanalyse) 3 Anwendungsbeispiele 3.1 Abflusszeitreihen 3.2 Synthetische Zeitreihen 4 Zusammenfassung der Ergebnisse 5 Ausblick 21. 10. 2004 München Skalenanalyse hydro(meteoro)logischer Zeitreihen

Aufgabenstellung Identifizierung des Änderungszeitpunkts von statistischen Eigenschaften einer Zeitreihe („Change-Point-Detection“ = Bruchpunktanalyse) Wichtiges Anwendungsbeispiel: Mittelwert (Trend) Die Anwendung des Pettitt-Tests beruht auf der Annahme unkorrelierter Daten Berücksichtigung der Auswirkungen von unterschiedlichen Korrelationseigenschaften auf die Ergebnisplausibilität 21. 10. 2004 München Skalenanalyse hydro(meteoro)logischer Zeitreihen

Methodische Grundlagen Das Pettitt-Verfahren: Ein potentieller Bruchpunkt wird dort identifiziert, wo der Betrag der absoluten Summen der sgn-Terme ein Maximum annimmt. Die Signifikanz des Bruchpunkts wird gesondert überprüft: 21. 10. 2004 München Skalenanalyse hydro(meteoro)logischer Zeitreihen

Gliederung 1 Aufgabenstellung 2 Methodische Grundlagen (Bruchpunktanalyse) 3 Anwendungsbeispiele 3.1 Abflusszeitreihen 3.2 Synthetische Zeitreihen 4 Zusammenfassung der Ergebnisse 5 Ausblick 21. 10. 2004 München Skalenanalyse hydro(meteoro)logischer Zeitreihen

Abflusszeitreihen Datengrundlage: „lange“ lückenlose Zeitreihen monatlicher Abflüsse (m3/s) Vorgehensweise: 1. Bestimmung der Langzeitkorrelation mit DFA 2. Ermittlung der Bruchpunkte mit HYSTAT 21. 10. 2004 München Skalenanalyse hydro(meteoro)logischer Zeitreihen

Abflusszeitreihen Fazit: Die Zeitreihen sind langzeitkorreliert (alpha=0,6-0,9) und zeigen in der Mehr- zahl hoch signifi- kante Bruchpunkte zu unterschiedlichen Zeiten! 21. 10. 2004 München Skalenanalyse hydro(meteoro)logischer Zeitreihen

Synthetische Daten Erzeugung von trendfreien Reihen mit bekannten Korrelationseigenschaften Reihenlänge: je 10.000 Werte Anzahl der generierten Reihen: > 500 Ermittlung der Bruchpunkte und ihrer Signifikanz Auswertung möglicher Zusammenhänge zwischen Bruchpunktdetektion und Langzeitkorrelationen 21. 10. 2004 München Skalenanalyse hydro(meteoro)logischer Zeitreihen

Synthetische Daten Histogramme der Signifikanzen bei unterschiedlichen Korrelationseigen- schaften Datengrundlage: trendfreie künstliche Datenreihen 21. 10. 2004 München Skalenanalyse hydro(meteoro)logischer Zeitreihen

Synthetische Daten Darstellung des Zusammenhangs zwischen 0,13 0,50 0,77 0,93 1,00 0,99 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 0,40 0,45 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95 Alpha Bruchpunkt-Wahrscheinlichkeit 10 20 30 40 50 60 70 80 90 100 Signifikanzen: %-Anteile Pettitt Mittelwerte Signifikanzanteile in % (>0,95) Signifikanzanteile in % (>0,99) Pegeldaten Darstellung des Zusammenhangs zwischen der Bruchpunktwahrscheinlichkeit und den Korrelationseigenschaften von Datenreihen 21. 10. 2004 München Skalenanalyse hydro(meteoro)logischer Zeitreihen

Synthetische Daten Im unkorrelierten Fall (alpha=0,5) liegt die Wahrscheinlichkeit für einen signifikanten Bruchpunkt bei < 10% Im mäßig langzeitkorrelierten Fall (alpha=0,6) liegt die Wahrscheinlichkeit bereits bei > 50% Im stark langzeitkorrelierten Fall (alpha>0,7) weisen fast alle Reihen signifikante Bruchpunkte auf ! 21. 10. 2004 München Skalenanalyse hydro(meteoro)logischer Zeitreihen

Zusammenfassung und Ausblick Süddeutsche Abflusszeitreihen sind deutlich langzeitkorreliert Statistisch signifikanter Zusammenhang: Korrelation - Bruchpunktwahrscheinlichkeit Aussagen zum Zeitpunkt einer möglichen Trendänderung (Klimawandel) sind kritisch zu hinterfragen Perspektive: Modifikation der Signifikanz- berechnungen für korrelierte Daten ! 21. 10. 2004 München Skalenanalyse hydro(meteoro)logischer Zeitreihen

Vielen Dank für Ihre Aufmerksamkeit ! Das BMBF-Vorhaben Skalenanalyse hydrologischer und hydrometeorologischer Zeitreihen Vielen Dank für Ihre Aufmerksamkeit ! 21. 10. 2004 München Skalenanalyse hydro(meteoro)logischer Zeitreihen