Numerical transformation of geochemical data: 2. Stabilizing measurement error to facilitate data interpretation
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
Traditional uses of data transformations in geoscience have typically been motivated by three objectives: (1) creating normally distributed data; (2) creating data that are additive; and (3) making errors constant across the data range. Part 1 of this paper discussed the transformation applicability for the first two reasons in geochemical applications, and introduced a fourth motivation whereby transformation maximizes the variance (or geochemical contrast) in the transformed data; it did not discuss transformation to stabilize measurement error. Although transformation to stabilizing errors in geochemical data is not common, this is a useful attribute in geochemical data analysis. The transformation is dependent on the model describing the magnitude of measurement (sampling and analysis) error as a function of concentration. Models describing measurement error as a function of concentration can be used to derive a transformation that will stabilize the measurement error in the transformed variable. Poisson, binomial and hypergeometric models are typically used to describe sampling errors, whereas straight line (constant, proportional and affine) models are used to describe analytical errors. The associated variance stabilizing transformations, derived from these models, have constant propagated errors. As a result, these transformations create a ‘level playing field’ for subsequent data analysis, enabling the discovery of additional information in the data. Homoscedastic measurement error allows the geochemist to justify use of a specific transformation based not on the subsequent data analysis results (circular reasoning; ‘the end justifies the means’), but on optimal properties created by the transformation. In this way, objective results can be achieved scientifically, providing another motivation to collect geochemical quality control data.
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 | 0,001 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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