Ethane is the most abundant non-methane hydrocarbon in the Earth’s atmosphere and an important precursor of tropospheric ozone through various chemical pathways. Ethane is also an indirect greenhouse gas (global warming potential), influencing the atmospheric lifetime of methane through the consumption of the hydroxyl radical (OH). Understanding the development of trends and identifying trend reversals in atmospheric ethane is therefore crucial. Our dataset consists of four series of daily ethane columns. As with many other decadal time series, our data are characterized by autocorrelation, heteroskedasticity, and seasonal effects. Additionally, missing observations due to instrument failure or unfavorable measurement conditions are common in such series. The goal of this paper is therefore to analyze trends in atmospheric ethane with statistical tools that correctly address these data features. We present selected methods designed for the analysis of time trends and trend reversals. We consider bootstrap inference on broken linear trends and smoothly varying nonlinear trends. In particular, for the broken trend model, we propose a bootstrap method for inference on the break location and the corresponding changes in slope. For the smooth trend model, we construct simultaneous confidence bands around the nonparametrically estimated trend. Our autoregressive wild bootstrap approach, combined with a seasonal filter, is able to handle all issues mentioned above (we provide R code for all proposed methods on https://www.stephansmeekes.nl/code.).

中文翻译：

---

大气乙烷时间趋势的统计分析

乙烷是地球大气中含量最丰富的非甲烷碳氢化合物，也是通过各种化学途径产生对流层臭氧的重要前体。乙烷也是一种间接温室气体（全球变暖潜势），通过消耗羟基自由基 (OH) 影响甲烷在大气中的寿命。因此，了解大气乙烷的趋势发展和识别趋势逆转至关重要。我们的数据集由四个系列的日常乙烷柱组成。与许多其他十年时间序列一样，我们的数据具有自相关性、异方差性和季节性影响的特征。此外，由于仪器故障或不利的测量条件而导致的观测缺失在此类系列中很常见。因此，本文的目标是使用正确处理这些数据特征的统计工具来分析大气乙烷的趋势。我们介绍了用于分析时间趋势和趋势逆转的精选方法。我们考虑对破碎的线性趋势和平滑变化的非线性趋势进行引导推断。特别是，对于突破趋势模型，我们提出了一种用于推断突破位置和相应斜率变化的 bootstrap 方法。对于平滑趋势模型，我们围绕非参数估计的趋势构建同步置信带。我们的自回归野生引导方法与季节性过滤器相结合，能够处理上述所有问题（我们在 https://www.stephansmeekes.nl/code. 上为所有提议的方法提供 R 代码。）。我们介绍了用于分析时间趋势和趋势逆转的精选方法。我们考虑对破碎的线性趋势和平滑变化的非线性趋势进行引导推断。特别是，对于突破趋势模型，我们提出了一种用于推断突破位置和相应斜率变化的 bootstrap 方法。对于平滑趋势模型，我们围绕非参数估计的趋势构建同步置信带。我们的自回归野生引导方法与季节性过滤器相结合，能够处理上述所有问题（我们在 https://www.stephansmeekes.nl/code. 上为所有提议的方法提供 R 代码。）。我们介绍了用于分析时间趋势和趋势逆转的精选方法。我们考虑对破碎的线性趋势和平滑变化的非线性趋势进行引导推断。特别是，对于突破趋势模型，我们提出了一种用于推断突破位置和相应斜率变化的 bootstrap 方法。对于平滑趋势模型，我们围绕非参数估计的趋势构建同步置信带。我们的自回归野生引导方法与季节性过滤器相结合，能够处理上述所有问题（我们在 https://www.stephansmeekes.nl/code. 上为所有提议的方法提供 R 代码。）。对于断裂趋势模型，我们提出了一种bootstrap方法来推断断裂位置和相应的斜率变化。对于平滑趋势模型，我们围绕非参数估计的趋势构建同步置信带。我们的自回归野生引导方法与季节性过滤器相结合，能够处理上述所有问题（我们在 https://www.stephansmeekes.nl/code. 上为所有提议的方法提供 R 代码。）。对于断裂趋势模型，我们提出了一种bootstrap方法来推断断裂位置和相应的斜率变化。对于平滑趋势模型，我们围绕非参数估计的趋势构建同步置信带。我们的自回归野生引导方法与季节性过滤器相结合，能够处理上述所有问题（我们在 https://www.stephansmeekes.nl/code. 上为所有提议的方法提供 R 代码。）。