Thompson–Howarth error analysis: unbiased alternatives to the large-sample method for assessing non-normally distributed measurement error in geochemical samples
Notice bibliographique
Résumé
The Thompson–Howarth error analysis procedures have become common in geochemical applications for assessing the magnitude of measurement error at any stage of determination (initial sampling, sample preparation, geochemical analysis). However, the large-sample method, as defined by Thompson and Howarth, which relies on an assumption that the measurement errors are normally distributed, produces significantly biased results when the errors are not normally distributed. Four examples of quality control data-sets from a variety of mineral deposit types illustrate that normally distributed errors are probably the exception rather than the rule in ore deposits, and non-normally distributed geochemical data-sets may exist in other geological materials. As a result, using Thompson and Howarth's large-sample error analysis approach, geoscientists may obtain a significantly inaccurate estimate of the quality of their geochemical concentration data. Two new methods, which are modifications to the Thompson–Howarth large-sample technique, eliminate this bias because they ensure that the results are independent of a normally distributed error assumption. Regression of group root mean square standard deviations produces accurate error estimates, at least provided that the concentrations are distributed relatively evenly across their range. Similarly, regression of duplicate variances against duplicate means using a quadratic model, and then taking the square root of this model, also results in an unbiased estimate of measurement error. Furthermore, if this quadratic model is a perfect square, then the square root of the quadratic model will be linear on a mean versus standard deviation scatterplot. This approach is further independent of the distribution of the error in the data. Using these modified approaches, geoscientists can now obtain unbiased Thompson–Howarth estimates of measurement error that is not normally distributed in quality control/quality assessment programmes.
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 | 0,114 | 0,398 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,003 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,013 | 0,011 |
| Études des sciences et des technologies | 0,004 | 0,009 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,006 | 0,010 |
| Intégrité de la recherche | 0,006 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 ».