Un estudi realitzat per David Solano, Marc Saez i Maria A. Barceló, del Grup de Recerca en Estadística, Econometria i Salut (GRECS) de la Universitat de Girona (UdG) acaba de publicar-se a Environmetrics. 

La detecció de valors atípics en sèries temporals funcionals és un repte a causa de la dependència temporal i la presència simultània d'anomalies de magnitud, de forma i parcials. Els mètodes existents sovint assumeixen independència o es basen en enfocaments basats en models, els quals no funcionen bé si el model s'especifica incorrectament. 

Les alternatives sense model, basades en el bootstrap de blocs mòbils, milloren la robustesa però poden detectar només un nombre limitat d'anomalies de magnitud. El treball de Solano et al. (2026) proposa un pipeline totalment sense model amb dos components. 

Les simulacions mostren que el model proposat aconsegueix una detecció gairebé perfecta per a anomalies de forma i parcials, superant els mètodes existents. El mètode també es prova en un conjunt de dades de temperatura real, cosa que demostra la seva utilitat pràctica.

Aquest article constitueix el tercer resultat publicat del projecte CLIMA 'Variabilitat geogràfica de l'efecte dels episodis de calor extrema sobre la mortalitat a Catalunya. El cas de l'Estiu del 2022', la Investigadora Principal del qual és la Prof. Dra. Maria A. Barceló.

Referència de l’estudi

Solano D, Guevara RD, Calderón SA, Saez M, Barceló MA. A hybrid nonparametric framework for outlier detection in functional time series. Environmetrics 2026; 37:e70099. doi: 10.1002/env.70099.