Méthodes d’inférence exactes pour des processus autorégressifs : une approche fondée sur des tests induits
Notice bibliographique
Résumé
Dans ce texte, nous considérons un modèle autorégressif d’ordre p (où p ≥ 1) gaussien, possiblement non stationnaire, avec un terme constant (tendance). Nous développons des méthodes d’inférence exactes pour les coefficients de ce modèle. Nous proposons une méthode qui permet de tester n’importe quelle hypothèse qui fixe le vecteur complet des coefficients autorégressifs du modèle puis, en « inversant » ces tests, de construire une région de confiance conjointe pour les coefficients du vecteur. Chaque hypothèse est testée en transformant d’abord les observations de façon à faire disparaître toute autocorrélation sous l’hypothèse nulle puis en testant si les observations transformées sont indépendantes. Pour ce faire, nous combinons plusieurs tests d’autocorrélation conçus pour détecter la dépendance aux délais 1, 2, ..., p. La méthode proposée permet de construire de façon simple les régions de confiance en résolvant 2p polynômes de second degré pour chaque coefficient (après un balayage des p – 1 coefficients restants du modèle et pour chaque configuration de ces p – 1 coefficients). Pour faire de l’inférence sur les coefficients individuels du modèle ou sur des transformations plus générales des coefficients autorégressifs, nous proposons d’utiliser une technique de projection. Nous appliquons la méthode développée à un modèle du P.I.B. réel tunisien.
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 | 0,031 | 0,167 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».