Notice bibliographique
Résumé
In this dissertation, we consider an estimation problem of the regression coefficients in both multiple regression model and multivariate multiple regression model with several unknown change-points. More precisely, we consider the cases where the target parameters (vectors or matrices) are suspected to satisfy some restrictions. In particular, we generalize in four ways, some recent statistical methods in the literatures. First, we relax some assumptions about the dependance structure of the noise and the regressors given in recent literature. Namely, in this dissertation, the dependance structure is as weak as that of an L2-mixingale arrays of size -1/2. Second, under such weak assumptions, we derive the joint asymptotic normality between the RE and UE. Third, in the context of change-points models, the estimation problem of a vector of the regression coefficients is extended to that of a matrix of the regression coefficients. Fourth, we propose a class of estimators which includes as a special cases shrinkage estimators~(SEs) as well as the unrestricted estimator~(UE) and the restricted estimator~(RE). We also derive a more general condition for the SEs to dominate the UE in mean square error. To this end, we generalize some identities for the evaluation of the bias and risk functions of shrinkage-type estimators (vectors or matrices). As illustrative example, our method is applied to the "gross domestic product'' data set of 10 countries including USA, Canada, UK, France and Germany. The simulation results corroborate our theoretical findings.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».