Notice bibliographique
Résumé
Data collected in agricultural experiments can be analyzed in many different ways using different models. The most commonly used models are the linear model and the generalized linear model. The maximum likelihood method is often used for data analysis. However, this method may not be able to handle complicated models, especially multiple level hierarchical models. The Bayesian method partitions complicated models into simple components, each of which may be formulated analytically. Therefore, the Bayesian method is capable of handling very complicated models. The Bayesian method itself may not be more complicated than the maximum likelihood method, but the analysis is time consuming, because numerical integration involved in Bayesian analysis is almost exclusively accomplished based on Monte Carlo simulations, the so called Markov Chain Monte Carlo (MCMC) algorithm. Although the MCMC algorithm is intuitive and straightforward to statisticians, it may not be that simple to agricultural scientists, whose main purpose is to implement the method and interpret the results. In this review, we provide the general concept of Bayesian analysis and the MCMC algorithm in a way that can be understood by non-statisticians. We also demonstrate the implementation of the MCMC algorithm using professional software packages such as the MCMC procedure in SAS software. Three datasets from agricultural experiments were analyzed to demonstrate the MCMC algorithm.Key words: Bayesian method, Generalized linear model, Markov Chain Monte Carlo, SAS, WinBUGS
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 | 0,076 | 0,207 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».