Peaks Over Threshold बनाम Block Maxima
GPD threshold exceedances और GEV block maxima की तुलना करें, जिसमें data efficiency, bias–variance choices, dependence, return levels और EVT method चुनने की diagnostics शामिल हैं
सीधा जवाब
Block Maxima हर fixed period से एक extreme रखकर GEV distribution fit करती है। Peaks Over Threshold हर sufficiently large exceedance रखकर generalized Pareto tail fit करती है। POT आम तौर पर tail data को अधिक efficiently उपयोग करती है, जबकि दोनों methods approximation bias और estimation variance का trade-off करती हैं
दोनों methods ordinary data discard करने से शुरू होती हैं
EVT पूरी distribution fit नहीं करती; यह extreme region define करके वहाँ limiting behavior model करती है
Block Maxima उस region को calendar या event blocks से define करती है, जबकि POT numerical threshold से define करती है
दोनों related लेकिन identical sampling questions का उत्तर देती हैं, इसलिए उनकी likelihoods और observation counts को समान rows की तरह compare नहीं कर सकते
Block Maxima GEV family तक ले जाती है
Data को months या years जैसे nonoverlapping blocks में बांटें, हर block का worst loss लें और generalized extreme value distribution fit करें
Maximum approximation के लिए block length पर्याप्त लंबी, लेकिन estimation के लिए पर्याप्त maxima छोड़ने जितनी छोटी होनी चाहिए
Annual या monthly maxima से direct link return levels को intuitive बनाती है, लेकिन block के अंदर nonmaximum extremes discard हो जाते हैं
POT generalized Pareto tail तक ले जाती है
High threshold u चुनें और X>u given conditional excess Y=X−u को generalized Pareto distribution से model करें
Threshold endpoint की ओर बढ़ने पर Pickands–Balkema–de Haan result broad domains of attraction में approximation justify करता है
Exceedance frequency और excess severity मिलकर rare quantiles, return periods और tail loss measures estimate करते हैं
POT अक्सर अधिक tail information निकालती है
Turbulent block में कई important losses हो सकते हैं और POT उन्हें रख सकती है, जबकि Block Maxima केवल सबसे बड़ा रखती है
Quiet block तब भी एक maximum देता है, भले वह पूरे sample के सापेक्ष extreme न हो
Greater data efficiency POT को automatically superior नहीं बनाती, क्योंकि nearby exceedances dependent हो सकती हैं और low threshold model bias ला सकता है
Threshold और block size bias–variance choices encode करते हैं
POT threshold बढ़ाने से asymptotic argument बेहतर होता है, लेकिन exceedances कम और uncertainty wider होती है
Blocks लंबी करने से GEV approximation बेहतर हो सकती है, पर maxima कम मिलते हैं; छोटी blocks ordinary observations को extreme दिखा सकती हैं
उस single setting के बजाय stability region चुनें जो सबसे attractive capital number या smoothest chart देती है
Dependence effective sample बदलती है
Volatility clustering exceedances के runs बना सकती है और POT के simple independent Poisson-arrival model को violate कर सकती है
Run declustering cluster peaks रख सकती है, जबकि point-process या dependent-extreme models अधिक timing information बचा सकते हैं
Block Maxima compression से कुछ short-range dependence घटाती है, लेकिन neighboring blocks के maxima independent होने की guarantee नहीं देती
Target comparison तय करे
अलग datasets की in-sample likelihood values पर नहीं, relevant horizons पर fitted return levels और tail quantiles compare करें
हर method के लिए suited parameter stability, mean-excess, probability, quantile, return-level और residual diagnostics उपयोग करें
Reasonable thresholds, block sizes, seasons या declustering rules बदलने पर conclusions बदलें तो वह spread risk report में शामिल होनी चाहिए
आम सवाल
Peaks Over Threshold क्या है?
POT high threshold पार करने वाली observations का size और frequency model करती है, आम तौर पर generalized Pareto distribution से
Block Maxima method क्या है?
यह हर fixed block से एक maximum लेती है और उन maxima को generalized extreme value distribution से model करती है
क्या POT हमेशा Block Maxima से बेहतर है?
नहीं। यह अक्सर अधिक data-efficient है, लेकिन threshold sensitivity, clustered exceedances और model misspecification advantage से बड़ी हो सकती हैं
Threshold या block size कैसे चुनें?
Theory, decision horizon, diagnostics, parameter stability और sensitivity ranges उपयोग करें, किसी एक favorable estimate को optimize न करें