Bayesian Prediction Mean Squared Error for State Space Models with Estimated Parameters
Notice bibliographique
Résumé
Hamilton (A standard error for the estimated state vector of a state‐space model. J. Economet. 33 (1986), 387–97) and Ansley and Kohn (Prediction mean squared error for state space models with estimated parameters. Biometrika 73 (1986), 467–73) have both proposed corrections to the naive approximation (obtained via substitution of the maximum likelihood estimates for the unknown parameters) of the Bayesian prediction mean squared error (MSE) for state space models, when the model's parameters are estimated from the data. Our work extends theirs in that we propose enhancements by identifying missing terms of the same order as that in their corrections. Because the approximations to the MSE are often subject to a frequentist interpretation, we compare our proposed enhancements with their original versions and with the naive approximation through a simulation study. For simplicity, we use the random walk plus noise model to develop the theory and to get our empirical results in the main body of the text. We also illustrate the differences between the various approximations with the Purse Snatching in Chicago series. Our empirical results show that (i) as expected, the underestimation in the naive approximation decreases as the sample size increases; (ii) the improved Ansley–Kohn approximation is the best compromise considering theoretical exactness, bias, precision and computational requirements, though the original Ansley–Kohn method performs quite well; finally, (iii) both the original and the improved Hamilton methods marginally improve the naive approximation. These conclusions also hold true with the Purse Snatching series.
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 | 0,011 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».