長期的な環境監視データで疑わしいアーティファクトを評価するための統計モデル

長期の水質監視は、環境管理と研究にとっても高い価値があります。メソッドの改善、実験室の慣行の欠陥、または実験室の変化による時系列の人工レベルのシフトは、分析の一般的な制限ですが、これはしばしば無視されます。このようなアーティファクトの統計的推定は、トレンドの同時存在、季節変動、および気象条件などの他の影響要因の影響によって複雑になります。ここでは、一般化された添加剤混合モデル（GAMM）のパフォーマンスを調査して、人工レベルのシフトに関連する1つまたは複数のアーティファクト、時間的傾向と季節変動に関連する縦方向の効果、およびデータのシリアル相関構造をモデル化する同時に同時に識別します。同じモデルでは、アーティファクトが平均レベルだけでなく、シリーズの分散にも影響するかどうかを識別するために、異なる期間の個別の残差分散を推定することができます。適切な統計的方法論があっても、人工レベルのシフトを定量化し、時系列を適切に調整することは困難です。シリーズの根底にある時間構造は特に重要です。シリーズに顕著な根本的な傾向がない限り、シフトの推定値はかなり安定しており、変動が少なくなります。遅い傾向または上向きの傾向が遅いときに人工シフトが発生した場合、これら2つの効果を分離することは困難であり、シフトの推定値は偏りがあり、大きな変動を持つことができます。方法または研究室の変更の場合、並行して両方の方法で分析を実施すると、特定の問題が残っていても、時系列に対するアーティファクト効果の推定値が大幅に改善されることを示します。人工レベルのシフトを推定するのが難しいため、後方調整には問題があり、シリーズの縦方向の構造に基づいてトレンド分析やその他の分析に使用できなくなる時系列につながる可能性があります。分析方法または実験室の変更を実行する前に、これが絶対に必要であるかどうかを考慮する必要があります。変更を回避できない場合、考慮された2つの方法、または契約された2つの研究所の分析は、データシリーズに導入された変更の適切な評価を可能にするために、かなりの期間並行して実行する必要があります。

Long-term water quality monitoring is of high value for environmental management as well as for research. Artificial level shifts in time series due to method improvements, flaws in laboratory practices or changes in laboratory are a common limitation for analysis, which, however, are often ignored. Statistical estimation of such artefacts is complicated by the simultaneous existence of trends, seasonal variation and effects of other influencing factors, such as weather conditions. Here, we investigate the performance of generalised additive mixed models (GAMM) to simultaneously identify one or more artefacts associated with artificial level shifts, longitudinal effects related to temporal trends and seasonal variation, as well as to model the serial correlation structure of the data. In the same model, it is possible to estimate separate residual variances for different periods so as to identify if artefacts not only influence the mean level but also the dispersion of a series. Even with an appropriate statistical methodology, it is difficult to quantify artificial level shifts and make appropriate adjustments to the time series. The underlying temporal structure of the series is especially important. As long as there is no prominent underlying trend in the series, the shift estimates are rather stable and show less variation. If an artificial shift occurs during a slower downward or upward tendency, it is difficult to separate these two effects and shift estimates can be both biased and have large variation. In the case of a change in method or laboratory, we show that conducting the analyses with both methods in parallel strongly improves estimates of artefact effects on the time series, even if certain problems remain. Due to the difficulties of estimating artificial level shifts, posterior adjustment is problematic and can lead to time series that no longer can be used for trend analysis or other analysis based on the longitudinal structure of the series. Before carrying out a change in analytic method or laboratory, it should be considered if this is absolutely necessary. If changes cannot be avoided, the analysis of the two methods considered, or the two laboratories contracted, should be run in parallel for a considerable period of time so as to enable a good assessment of changes introduced to the data series.