Bootstrap Approach for Estimating Seemingly Unrelated Regressions with Varying Degrees of Autocorrelated Disturbances
Notice bibliographique
Résumé
The Seemingly Unrelated Regressions (SUR) model proposed in 1962 by Arnold Zellner has gained a wide acceptability and its practical use is enormous. In this research, two methods of estimation techniques were examined in the presence of varying degrees of first order Autoregressive [AR(1)] coefficients in the error terms of the model. Data was simulated using bootstrapping approach for sample sizes of 20, 50, 100, 500 and 1000. Performances of Ordinary Least Squares (OLS) and Generalized Least Squares (GLS) estimators were examined under a definite form of the variance-covariance matrix used for estimation in all the sample sizes considered. The results revealed that the GLS estimator was efficient both in small and large sample sizes. Comparative performances of the estimators were studied with 0.3 and 0.5 as assumed coefficients of AR(1) in the first and second regressions and these coefficients were further interchanged for each regression equation, it was deduced that standard errors of the parameters decreased with increase in the coefficients of AR(1) for both estimators with the SUR estimator performing better as sample size increased. Examining the performances of the SUR estimator with varying degrees of AR(1) using Mean Square Error (MSE), the SUR estimator performed better with autocorrelation coefficient of 0.3 than that of 0.5 in both regression equations with best MSE obtained to be 0.8185 using $\rho = 0.3$ in the second regression equation for sample size of 50.
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 | 0,009 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
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 ».