Winsorized Modified One Step M-estimator in Alexander-Govern Test
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This research centres on independent group test of comparing two or more means by using the parametric method, namely the Alexander-Govern test. The Alexander-Govern (<em>AG</em>) test uses mean as a measure of its central tendency. It is a better alternative to the Welch test, James test and the <em>ANOVA</em>, because it has a good control of Type I error rates and produces a high power efficient for a normal data under variance heterogeneity, but not for non-normal data. As a result, trimmed mean was applied on the test under non-normal data for two group condition, but as the number of groups increased above two, the test fails to be robust. Due to this, when the <em>MOM</em> estimator was applied on the test, it was not influenced by the number of groups, but failed to give a good control of Type I error rates under skewed heavy tailed distribution. In this research, the Winsorized <em>MOM</em> estimator was applied in <em>AG</em> test as a measure of its central tendency. 5,000 data sets were simulated and analysed using Statistical Analysis Software (<em>SAS</em>). The result shows that with the pairing of unbalanced sample size with unequal variance of (1:36) and the combination of both balanced and unbalanced sample sizes with both equal and unequal variances, under six group condition, for g = 0.5 and h = 0.5, for both positive and negative pairing condition, the test gives a remarkable control of Type I error rates. In overall, the <em>AGWMOM</em> test has the best control of Type I error rates, across the distributions and across the groups, compared to the <em>AG</em> test, the <em>AGMOM</em> test and the <em>ANOVA</em>.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle