MétaCan
Menu
Retour à la cohorte
Enregistrement W1504730822 · doi:10.1002/cjs.10122

Tuning the EM‐test for finite mixture models

2011· article· en· W1504730822 sur OpenAlexafffundvenueabout
Jiahua Chen, Pengfei Li

Notice bibliographique

RevueCanadian Journal of Statistics · 2011
Typearticle
Langueen
DomaineComputer Science
ThématiqueBayesian Methods and Mixture Models
Établissements canadiensUniversity of AlbertaUniversity of British Columbia
Organismes subventionnairesUniversity of WaterlooNatural Sciences and Engineering Research Council of CanadaMitacs
Mots-clésComputer scienceApplied mathematicsLimitingRank (graph theory)Simple (philosophy)Distribution (mathematics)Value (mathematics)Asymptotic distributionStatistical hypothesis testingAlgorithmMathematical optimizationMathematicsStatisticsMachine learningEngineeringMathematical analysis

Résumé

récupéré en direct d'OpenAlex

Abstract There has been rapid progress in developing effective and easy‐to‐use tests of the order of a finite mixture model. The EM‐test is the latest to join the rank. It has a relatively simple limiting distribution and enjoys broad applicability. Based on asymptotic theory, the P ‐value of the EM‐test is approximated via its limiting distribution. The built‐in tuning parameter has an important influence on the approximation precision. Thus, choosing an appropriate value for this parameter is important for fully realizing the advantages of the EM‐test. In this article, we develop a novel computer‐experiment approach to address this issue. Through designed experiments, we derive a number of empirical formulas for the tuning parameter. Extensive validation simulation shows that these formulas work well in terms of providing accurate type I errors. The Canadian Journal of Statistics 39: 389–404; 2011 © 2011 Statistical Society of Canada

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,161
Score d'incertitude au seuil0,305

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,055
Tête enseignante GPT0,249
Écart entre enseignants0,193 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2011
Routes d'admission4
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of StatisticsMême sujetBayesian Methods and Mixture ModelsTravaux en français237 207