পিকস ওভার থ্রেশহোল্ড বনাম ব্লক ম্যাক্সিমা

ইভিটি সম্পূর্ণ বিতরণের সাথে খাপ খায় না; এটি একটি চরম অঞ্চলকে সংজ্ঞায়িত করে এবং সেখানে সীমিত আচরণকে মডেল করে

ব্লক ম্যাক্সিমা সেই অঞ্চলটিকে ক্যালেন্ডার বা ইভেন্ট ব্লক দ্বারা সংজ্ঞায়িত করে, যেখানে POT এটিকে একটি সংখ্যাসূচক থ্রেশহোল্ড দ্বারা সংজ্ঞায়িত করে

পদ্ধতিগুলি সম্পর্কিত কিন্তু অভিন্ন নমুনা প্রশ্নের উত্তর দেয় না, তাই তাদের সম্ভাব্যতা এবং পর্যবেক্ষণের সংখ্যা তুলনা করা যায় না যেন সারিগুলি একই ছিল

মাস বা বছরের মতো ননওভারল্যাপিং ব্লকগুলিতে ডেটা ভাগ করুন, প্রতিটি থেকে সবচেয়ে খারাপ ক্ষতি নিন এবং একটি সাধারণীকৃত চরম মান বিতরণের জন্য উপযুক্ত করুন

ব্লকের দৈর্ঘ্য অবশ্যই সর্বোচ্চ অনুমানের জন্য যথেষ্ট লম্বা হতে হবে কিন্তু অনুমানের জন্য পর্যাপ্ত ম্যাক্সিমা ছাড়ার জন্য যথেষ্ট ছোট হতে হবে

বার্ষিক বা মাসিক ম্যাক্সিমার সাথে এর সরাসরি লিঙ্ক রিটার্ন স্তরগুলিকে স্বজ্ঞাত করে তোলে, তবে একটি ব্লকের মধ্যে সমস্ত অ-সর্বাধিক চরমগুলি বাতিল করা হয়

একটি উচ্চ থ্রেশহোল্ড u চয়ন করুন এবং শর্তসাপেক্ষ অতিরিক্ত Y=X−u প্রদত্ত X>u একটি সাধারণ প্যারেটো বিতরণের সাথে মডেল করুন

Pickands-Balkema-de Haan ফলাফলটি আকর্ষণের বিস্তৃত ডোমেনের জন্য অনুমানকে ন্যায্যতা দেয় কারণ থ্রেশহোল্ড শেষ বিন্দুর কাছে আসে

অতিরিক্ত ফ্রিকোয়েন্সি এবং অতিরিক্ত তীব্রতা একত্রিত হয়ে বিরল কোয়ান্টাইল, রিটার্ন পিরিয়ড এবং লেজের ক্ষতির পরিমাপ অনুমান করে।

একটি অশান্ত ব্লকে বেশ কিছু গুরুত্বপূর্ণ ক্ষয়ক্ষতি থাকতে পারে এবং POT সেগুলি ধরে রাখতে পারে যখন ব্লক ম্যাক্সিমা শুধুমাত্র সবচেয়ে বড় ক্ষয়ক্ষতি রাখে।

একটি শান্ত ব্লক এখনও একটি সর্বাধিক অবদান রাখে যদিও এটি সম্পূর্ণ নমুনার সাথে চরম আপেক্ষিক না হয়

বৃহত্তর ডেটা দক্ষতা POT স্বয়ংক্রিয়ভাবে উচ্চতর করে তোলে না কারণ কাছাকাছি সীমার অতিরিক্ত নির্ভরশীল হতে পারে এবং একটি নিম্ন থ্রেশহোল্ড মডেল পক্ষপাত আমদানি করতে পারে

একটি POT থ্রেশহোল্ড বাড়ানো অ্যাসিম্পোটিক আর্গুমেন্টকে উন্নত করে কিন্তু কম বাড়াবাড়ি এবং ব্যাপক অনিশ্চয়তা ছেড়ে দেয়

ব্লক লম্বা করা GEV আনুমানিক উন্নতি করতে পারে কিন্তু কম ম্যাক্সিমা তৈরি করে; তাদের সংক্ষিপ্ত করা সাধারণ পর্যবেক্ষণ চরম দেখাতে পারে

সবচেয়ে আকর্ষণীয় মূলধন সংখ্যা বা মসৃণ চার্ট দেয় এমন একক সেটিং না করে একটি স্থিতিশীলতা অঞ্চল বেছে নিন

অস্থিরতা ক্লাস্টারিং POT-এর জন্য একটি সাধারণ স্বাধীন পয়সন-আগমন মডেল লঙ্ঘন করে সীমা ছাড়িয়ে যেতে পারে

রান ডিক্লাস্টারিং ক্লাস্টারের শিখর ধরে রাখতে পারে, যখন পয়েন্ট-প্রসেস বা নির্ভরশীল-চরম মডেলগুলি আরও সময়ের তথ্য সংরক্ষণ করতে পারে

ব্লক ম্যাক্সিমা কম্প্রেশনের মাধ্যমে কিছু স্বল্প-পরিসর নির্ভরতা হ্রাস করে কিন্তু প্রতিবেশী ব্লক জুড়ে স্বাধীন ম্যাক্সিমা গ্যারান্টি দেয় না

বিভিন্ন ডেটাসেট থেকে শুধুমাত্র নমুনা সম্ভাবনার মানই নয়, দিগন্তের উপরে ফিট করা রিটার্ন লেভেল এবং টেল কোয়ান্টাইলের তুলনা করুন

প্যারামিটার স্থায়িত্ব, গড়-অতিরিক্ত, সম্ভাব্যতা, কোয়ান্টাইল, রিটার্ন-লেভেল এবং প্রতিটি পদ্ধতির জন্য উপযুক্ত অবশিষ্ট ডায়গনিস্টিক ব্যবহার করুন

যুক্তিসঙ্গত থ্রেশহোল্ড, ব্লকের মাপ, ঋতু বা ডিক্লাস্টারিং নিয়ম জুড়ে উপসংহার পরিবর্তিত হলে, সেই স্প্রেড ঝুঁকি রিপোর্টের অন্তর্গত