HYPOTHESIS ASSESSMENT USING THE BAYES FACTOR AND RELATIVE BELIEF RATIO
Notice bibliographique
Résumé
The Bayes factor is commonly used for assessing the evidence for or against a given hypothesis H0: θ ∈ Θ0, where Θ0 is a subset of the parameter space. In this paper we discuss the Bayes factor and various issues associated with its use. A Bayes factor is seen to be intimately connected with a relative belief ratio which provides a somewhat simpler approach to assessing the evidence in favor of H0. It is noted that, when there is a parameter of interest generating H0, then a Bayes factor for H0 can be defined as a limit and there is no need to introduce a discrete prior mass for Θ0 or a prior within Θ0. It is further noted that when a prior on Θ0 does not correspond to a conditional prior induced by a parameter of interest generating H0, then there is an inconsistency in prior assignments. This inconsistency can be avoided by choosing a parameter of interest that generates the hypothesis. A natural choice of a parameter of interest is given by a measure of distance of the model parameter from Θ0. This leads to a Bayes factor for H0 that is comparing the concentration of the posterior about Θ0 with the concentration of the prior about Θ0. The issue of calibrating a Bayes factor is also discussed and is seen to be equivalent to computing a posterior probability that measures the reliability of the evidence provided by the Bayes factor.
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 | 0,087 | 0,287 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,004 |
| Bibliométrie | 0,015 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,011 |
| Communication savante | 0,012 | 0,013 |
| Science ouverte | 0,006 | 0,006 |
| Intégrité de la recherche | 0,006 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».