MétaCan
Menu
Retour à la cohorte
Enregistrement W2104090332

Multidimensional Poverty Measurement and Analysis: Chapter 8 - Robustness Analysis and Statistical Inference

2015· article· en· W2104090332 sur OpenAlexfundno aff
Sabina Alkire, James E. Foster, Suman Seth, María Emma Santos, José Manuel Roche, Paola Ballón

Notice bibliographique

RevueOxford University Research Archive (ORA) (University of Oxford) · 2015
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueIncome, Poverty, and Inequality
Établissements canadiensnon disponible
Organismes subventionnairesBundesministerium für Wirtschaftliche Zusammenarbeit und EntwicklungAustralian Agency for International DevelopmentUniversity of OxfordInternational Development Research CentreEconomic and Social Research CouncilInternational Fine Particle Research InstituteUnited Nations Development ProgrammeRobertson Foundation
Mots-clésRobustness (evolution)InferenceEconometricsStatistical inferenceStatisticsComputer scienceStandard errorSample size determinationPovertyStatistical hypothesis testingMathematicsArtificial intelligenceEconomics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The design of a poverty measure involves the selection of a set of parameters and poverty figures. In most cases the measures are estimated from sample surveys. This raises the question of how conclusive particular poverty comparisons are subject to both the set of selected parameters (or variations within a plausible range) and the sample datasets. This chapter shows how to apply dominance and rank robustness tests to assess comparisons as poverty cutoffs and other parameters changes. It presents ingredients of statistical inference, including standard errors, confidence intervals, and hypothesis tests. And it discusses how robustness and statistical inference tools can be used together to assert concrete policy conclusions. An appendix presents methods for computing standard errors, including the bootstrapped standard errors.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,341
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,002
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,081
Tête enseignante GPT0,315
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOxford University Research Archive (ORA) (University of Oxford)Même sujetIncome, Poverty, and InequalityTravaux en français237 207