Marginal Likelihood-based One-sided LR Test for Testing Higher Order Autocorrelation in Presence of Nuisance Parameters-A Distance Based Approach
Notice bibliographique
Résumé
In most of the cases, only a subvector of the parameters is tested in a model. The remaining parameters arise in the tests as nuisance parameters. The presence of nuisance parameters causes biases in key estimates used in the tests. So inferences made on the presence of nuisance parameters may lead to less accurate conclusions. Even the presence of nuisance parameters can destroy the test. Thus in eliminating the influence of nuisance parameters from the test can improve the tests' performance. The effect of the nuisance parameters can be eliminated by the marginal likelihood, conditional likelihood, canonical likelihood, profile likelihood and Bayesian tests. This paper is concerned with marginal likelihood-based test for eliminating the influence of nuisance parameters. In general, existing one-sided and two-sided tests for autocorrelation are tested only autocorrelation coefficients but not the regression coefficients in the model. So we proposed a distance-based marginal likelihood one-sided Likelihood Ratio (DMLR) test in eliminating the influence of nuisance parameters for testing higher order autocorrelation with one-sided alternatives in linear regression model using marginal likelihood and distance-based approach. Monte Carlo simulations are conducted to compare power properties of the proposed DMLR test with their respective conventional counterparts. It is found that the DMLR test shows substantially improved power for most of cases considered.
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 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 | 0,012 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».