HierarchicalGEV from pyhydra.climate.spatial_analysis.bayes_hierarchical import HierarchicalGEV Modelo GEV jerárquico bayesiano estimado por MCMC (PyMC + NUTS). Usa parametrización no centrada para mejor mezcla cuando las series de estación son cortas o heterogéneas. Valores NaN en la matriz de máximos anuales se enmascaran automáticamente.
Parámetros del constructor
| Nombre | Tipo | Defecto | Descripción |
|---|---|---|---|
T_values | tuple[int, ...] | (2, 10, 50, 100) | Periodos de retorno para cuantiles a posteriori. |
n_chains | int | 4 | Cadenas MCMC. |
n_samples | int | 1000 | Muestras por cadena tras calentamiento. |
warmup | int | 1000 | Pasos de calentamiento. |
adapt_delta | float | 0.99 | Target acceptance rate del sampler NUTS. |
Métodos
fit fit(data_dict) → self Ajusta el modelo jerárquico. Usa PyMC si está instalado; cae automáticamente a PyStan 3.
| Parámetro | Tipo | Descripción |
|---|---|---|
data_dict | dict[str, array-like] | nombre_estacion → array 1D de máximos anuales. |
posterior_summary posterior_summary() → pd.DataFrame Resumen a posteriori: media, SD, HDI 94 %, R-hat por parámetro.
return_levels return_levels() → pd.DataFrame Niveles de retorno a posteriori por estación y periodo T.
Ejemplo
from pyhydra.climate.spatial_analysis.bayes_hierarchical import HierarchicalGEV
model = HierarchicalGEV(T_values=(10, 50, 100), n_chains=4)
model.fit({"Est_A": am_a, "Est_B": am_b, "Est_C": am_c})
print(model.return_levels())