Nonparametric Methods for Multivariate Location Problems with Independent and Cluster Correlated Observations
Notice bibliographique
Résumé
Tilastotiede antaa mahdollisuuden tiivistää kerätystä tutkimusaineistosta keskeisimmän tiedon sekä systemaattisesti arvioida sattuman osuutta tuloksiin. Klassinen tilastollinen päättely nojautuu oletuksiin aineiston havaintojen riippumattomuudesta ja jakaumasta. Käytännön tutkimusasetelmissa nämä oletukset ovat kuitenkin voimakkaita ja toteutuvat parhaimmillaankin likimääräisesti.\n\nTämän tutkimuksen tavoitteena on kehittää tehokkaita tilastollisia menetelmiä, jotka eivät perustu riippumattomuus- tai jakaumaoletukseen. Erityisen huomion kohteena on otantakokeissa ja pitkittäisaineistoissa tavallinen klusterointi. Klusterilla tarkoitetaan aineistoa ryhmittelevää tekijää, joka jakaa aineiston toisistaan riippumattomiin osiin. Samasta klusterista peräisin olevat havainnot puolestaan riippuvat toisistaan. Esimerkiksi perheenjäsenet samassa tutkimuksessa ovat sekä perimältään että elintavoiltaan samankaltaisia - heidän ominaisuutensa korreloivat. Eri perheet taas voidaan ajatella riippumattomiksi toisistaan; perhe siis muodostaa klusterin.\n\nTutkimus jakautuu kahteen pääosaan: Ensimmäisessä osassa tarkastellaan riippumattomia havaintoja yhden ja useamman otoksen tilanteessa. Toinen osa keskittyy klusteroituun aineistoon ja erityisen riippuvuuden tyypin - klusterin sisäisen korrelaation (intracluster correlation) - huomioimiseen osana tilastollista analyysia. Väitöskirjatyössä esitellään uusia epäparametrisia spatiaalisiin suunta- ja järjestyslukuvektoreihin perustuvia laskentamenetelmiä moniulotteisen aineiston symmetriapisteen estimoimiseksi, ja siihen liittyvien tilastollisten testien toteuttamiseksi. Oikein painottamalla voidaan testin tehokkuus ja estimointitarkkuus optimoida.\n\nSpatiaalisten menetelmien merkittävimmät edut ovat niiden tehokkuus ja luotettavuus laajalla käyttöalueella: menetelmien avulla voidaan esimerkiksi lääketieteen tutkimuksessa saavuttaa sama määrä tietoa pienemmällä määrällä potilaita.
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 | 0,008 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».