STUDENTIZED PARTIAL SCORE TESTS FOR VARIANCES IN LONGITUDINAL DATA
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
Koenker 9 studied a studentized version of Neyman's score statistic and obtained theoretical results which indicated that the studentized version will outperform the score test under a linear model if the data is from a heavy-tailed t-distribution. However, the author failed to examine the size and power performances of the studentized test through a simulation study. Subsequently, Cai, Hurvich and Tsai 7 after a simulation study in a nonparametric setting, found that even when the data is from a normal population the score test was biased in estimating a pre-assigned level of significance. Thus, he recommended that the studentized score test should be used in all situations. Several authors have, however, shown earlier that when the data is from a normal population, Neyman's partial score test is asymptotically unbiased in estimating a pre-assigned level of significance. As a result in this paper, we obtain the partial score statistic and the studentized version under various models but conduct our simulation studies under the special case considered by Cai et al. 7 in order to examine the studentized test. We found, in our simulation studies, that when the model of interest is nonparametric with uncorrelated errors, the power of the score test is generally higher than that of the studentized test. The difference in power performances becomes more pronounced under the heavy-tailed t-distribution. In the normal case, both the partial score test and its studentized version performed well in controlling the size of the test. We also found that if the score statistic is constructed based on the underlying distribution of the data, then the score statistic will always outperform the studentized test in both power and size.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,012 |
| Science ouverte | 0,001 | 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 découle