Bayesian calibration
Model parameters are calibrated with Bayesian methods that combine prior knowledge with data and produce posterior distributions, including a term for model discrepancy.
GCRI · Ilmu Sistem dan Pemodelan
Statistik untuk pemodelan
Probability and statistics are the language of uncertainty in modelling. In this field they underpin calibration, inference about parameters, evaluation of model performance and the honest reporting of ranges, for every modelling platform in the network.
01Daftar
Statistics for modelling on the record.
Catatan metodeMetode STEM
- MetodeProbabilitas dan statistika
- PengelolaSistem dan Pemodelan
- Diterapkan diIlmu Sistem dan Pemodelan
- Data3 inputs
- Pemeriksaan3 langkah validasi
- Halaman kanonisSTEM Commons
02Permohonan
What probability and statistics does here.
Probability and statistics provide the mathematical framework for describing uncertainty and learning from data. They underpin estimation, testing and prediction in every risk discipline. In methods and modelling, risk management and risiko sistemik and research and evidence, statistical methods quantify the likelihood and uncertainty of losses across interconnected sistem. They make the evidence behind risk decisions explicit and reproducible. The canonical description is on STEM Commons.
Proper scoring of predictions
Probabilistic model outputs are scored with proper scoring rules so that honest uncertainty is rewarded.
Ensemble statistics
Ensembles of model runs are summarised with statistical methods that account for dependence between ensemble members.
03Metode dan bukti
How statistics for modelling is modelled, measured and tested.
Model, asumsi, data, dan ketidakpastiannya, dalam bentuk yang akan diperiksa ilmuwan atau insinyur. Strukturnya mengikuti metode yang dipublikasikan. Nilai yang digambar bersifat ilustratif, bukan temuan.
Model, persamaan, dan asumsi
The model structure used for statistics for modelling, the assumptions it makes and how each is tested.
Risiko elemen i
Ri = f(Hi, Ei, Vi, Ci)bahaya, keterpaparan, kerentanan, dan kapasitas penanggulanganKerugian tahunan yang diharapkan
EAL = ∑k pk · Lkatas peristiwa k dengan probabilitas tahunan pkSistem terhubung
xt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error| Asumsi | Mengapa ini dibuat | Bagaimana ini diuji |
|---|---|---|
| Bahaya dan eksposur bersifat independen dalam satu peristiwa | Menjaga integral kerugian tetap dapat dihitung | Bandingkan dengan pencocokan kopula pada catatan gabungan |
| Keterkaitan bersifat linear di dekat titik operasi | Membiarkan guncangan merambat melalui A | Uji di luar rentang linear lalu bandingkan |
| Kurva kerentanan dapat dipindahkan antartempat | Kurva lokal jarang tersedia | Validasi terhadap kerugian teramati jika tersedia |
- Masukan
- dataset berversi dengan asal-usul yang tercatat
- Keluaran
- distribusi, bukan angka tunggal
- Kode
- dirilis bersama kartu model dan pengujiannya
- Reproduksi
- data, kode, lingkungan, dan seed yang sama
Prinsip panduan FAIR · GO FAIR dan FORCE11W3C PROV · World Wide Web ConsortiumPanduan penanganan ketidakpastian secara konsisten · IPCCCEOS Analysis Ready Data · Committee on Earth Observation Satellites
04Data
Apa yang digunakan metode ini.
Datasets and records used by probability and statistics on this platform, with the role each plays and the label its values carry. Sources are listed in register sumber.
| Data | Peran | Label |
|---|---|---|
| Observational datasets | Calibration and evaluation | TERAMATI |
| Model ensemble outputs | Statistik | DIMODELKAN |
| Prior information from literature | Bayesian priors | DILAPORKAN |
05Proses
Bagaimana proses berjalan.
Process explorer · Process
Statistics for modelling: Catastrophe model pipeline
10 steps·5 tahap
Proses
Statistics for modelling: Catastrophe model pipeline
Model katastrofe biasanya memiliki modul bahaya, kerentanan, keterpaparan, dan keuangan, serta menghasilkan tabel kerugian, rata-rata kerugian tahunan, kurva terlampaui, PML, dan TVaR.
01 Bahaya
- 01Katalog peristiwaSet data · Pengembang modelModul bahaya memuat katalog besar kejadian simulasi yang mewakili beragam skenario yang masuk akal.
- 03Modul bahayaModel · Pengembang modelUntuk setiap kejadian, modul bahaya memberikan intensitas bahaya lokal yang dibaca modul kerentanan.
02 Keterpaparan dan kerusakan
- 02EksposurDataset · Validation reviewerModul keterpaparan memuat data portofolio, seperti informasi spesifik lokasi.
- 04Modul kerentananModel · Pengembang modelModul kerentanan mengukur kerusakan yang diharapkan pada objek terpapar akibat suatu kejadian.
03 Keuangan
- 05Modul keuanganModel · Validation reviewerModul keuangan menghitung kerugian dari semua skenario kejadian. Kerugian dasar (ground-up), bruto, dan neto berbeda sebagaimana ditunjukkan di bawah.
- 06Tabel kerugian kejadianDataset · Validation reviewerTabel kerugian kejadian mencantumkan setiap kejadian dengan probabilitas terjadinya per tahun dan kerugiannya bagi portofolio.
- 07Tabel kerugian tahunanDataset · Validation reviewerSebagian model juga mengambil sampel tahun simulasi dari kerugian kejadian. Garis besar ini tidak menjelaskan formatnya.
04 Metrik
- 08Probabilitas pelampauan curvesModel · Validation reviewerKurva kejadian memberikan peluang bahwa kerugian terbesar dalam setahun melampaui suatu jumlah. Kurva agregat melakukan hal yang sama untuk jumlah kerugian.
- 09AAL, PML, dan TVaRModel · Validation reviewerKerugian tahunan rata-rata menjumlahkan probabilitas kejadian dikalikan kerugian. PML adalah satu titik pada kurva kejadian.
05 Penggunaan hasil
- 10Penggunaan hasilDecision · Validation reviewerThe tail metrics are used when considering a portfolio’s exposure and the level of catastrophe reinsurance an insurer requires.
Garis besar suatu standar atau metode eksternal, dari sumber publiknya. Garis besar ini menjelaskan apa yang dinyatakan kerangka itu, bukan catatan pelaksanaan apa pun. Garis besar ini tidak menunjukkan bahwa Nexus atau mitra mana pun melaksanakan, menyertifikasi, atau menyetujui suatu langkah. Gerbang adalah langkah dalam metode, tidak pernah persetujuan Nexus.
06Validasi
Cara hasil diperiksa.
Results are checked through diagnostics, cross-validation and sensitivity to assumptions. Independent replication confirms findings.
| Pemeriksaan | Cara pelaksanaannya |
|---|---|
| Posterior predictive checks | Calibrated models must reproduce observed data |
| Prior sensitivity | Results are recomputed under alternative priors |
| Scoring on held-out data | Predictions are scored on data not used in calibration |
Inference depends on assumptions about independence, distribution and sampling that may not hold. Small or biased samples limit reliability.
07Keterkaitan
Topik yang bertumpu pada metode ini.
08Pengelolaan
Siapa yang memelihara metode ini.
Sistem Science and Modelling stewards probability and statistics for the Consortium and reviews how it is applied across platforms.
09Pertanyaan
Tanya jawab.
What are the limits of probability and statistics in this field?
Inference depends on assumptions about independence, distribution and sampling that may not hold. Small or biased samples limit reliability.
Bagaimana hasil diperiksa?
Results are checked through diagnostics, cross-validation and sensitivity to assumptions. Independent replication confirms findings.
Apakah nilai di halaman ini nyata?
The data names, roles and checks are real descriptions of practice. The canvas shows a design of the method’s use, not a run; no result is reported here.
Di mana lagi metode ini diterapkan?
Observatory Halaman metode kanonis mencantumkan setiap platform yang menerapkannya.
LaporanBerkontribusi
Kontribusikan bukti dari halaman ini.
Laporan is the Consortium’s quarterly publication. What you know about this subject can become evidence, a case or a correction in the next edition, credited to you and published under CC BY 4.0 where it is your own work.
GCRIIlmu Sistem dan PemodelanMetode dan TeknisSkenario dan Uji Tekanan
- SurelGerbang GW-GCRIKirim dari halaman iniBukti, koreksi, kasus, metode, tinjauan, terjemahan, atau masukan profil. Kiriman tiba dengan label halaman ini, sehingga editor pemiliknya menerimanya.
- ZenodoDeposit terbukaDeposit dan ajukan ke komunitasTerbitkan catatan Anda sendiri di Zenodo dengan ORCID iD Anda, lalu ajukan ke komunitas Reports di sana. Kurator meninjaunya; DOI tetap milik Anda.
- LaporanGCRILihat semua cara berkontribusiJenis kontribusi, cara masing-masing ditinjau, kredit yang Anda terima, lisensinya, dan apa yang tidak pernah diterima.
Jangan pernah mengirim data pribadi, rincian infrastruktur sensitif, atau apa pun yang tidak berhak Anda bagikan. Kontribusi ditinjau sebelum digunakan. Mengirimkannya tidak memberikan hak kepenulisan atau editorial, dan sponsor tidak pernah membeli sebuah temuan.
Ilmu Sistem dan Pemodelan
Bawa metode, dataset, atau pertanyaan.
Informasi dan pertanyaan sudah terbuka hari ini. Sebuah pertanyaan menerima nomor referensi dan menyebutkan langkah berikutnya; lamaran, pembayaran, alokasi komputasi, dan pendaftaran hanya dibuka ketika tim, ketentuan, dan kapasitas tinjauannya tersedia.
Hukum
Dokumen hukum.
Peta, data, dan gambar di situs ini ditampilkan untuk konteks dan informasi umum. Semua itu bukan nasihat, prakiraan, atau peringatan; batasan informasinya dijelaskan dalam Penafian dan Pemberitahuan Data.