Recursion‐based multiple changepoint detection in multiple linear regression and application to river streamflows
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
A large number of models in hydrology and climate sciences rely on multiple linear regression to explain the link between key variables. The relationship in the physical world may experiment sudden changes because of climatic, environmental, or anthropogenic perturbations. To deal with this issue, a Bayesian method of multiple changepoint detection in multiple linear regression is proposed in this paper. It is an adaptation of the recursion‐based multiple changepoint method of Fearnhead (2005, 2006) to the classical multiple linear model. A new class of priors for the parameters of the multiple linear model is introduced, and useful formulas are derived that permit straightforward computation of the posterior distribution of the changepoints. The proposed method is numerically efficient and does not involve time consuming Monte‐Carlo Markov Chain simulation as opposed to other Bayesian changepoint methods. It allows fast and straightforward simulation of the probability of each possible number of changepoints as well as the posterior probability distribution of each changepoint conditional on the number of changes. The approach is validated on simulated data sets and then compared to the methodology of Seidou et al. (2006) on two practical problems, as follows: (1) the changepoint detection in the multiple linear relationship between mean basin scale precipitation at different periods of the year and the summer‐autumn flood peaks of the Broadback River located in Northern Quebec, Canada; and (b) the detection of trend variations in the streamflows of the Ogoki River located in the province of Ontario, 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.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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