Information for Authors: Is the Advice Regarding the Reporting of Residuals in Regression Analysis Incomplete? Should Cook’s Distance Be Included?
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
If regression analysis is used for statistical evaluation of the data, authors must supply … standard deviations of residuals (Sy|x, often called standard errors of estimates)… Residuals plots [e.g., Bland-Altman] are often useful . —Extract from “Information for Authors” (2006) The Clinical Chemistry “Information for Authors” recommends that, when regression analysis is used, SDs of residuals must be supplied. (They are not always provided.) As Cook and Weisberg note (1), this conceptual approach dates back to the early 1960s, but by the late 1970s, attention was increasingly directed to assessing the influence of individual observations on the results of regression analysis. The concept of influence (or leverage) can be illustrated by 2 simple examples. In Fig. 1A⇓ , the regression line is shown for 4 in-line cases. When case 5 is added, the new regression line is slightly leveraged toward it (Fig. 1C⇓ ), but note that the case 5 residual is large (Fig. 1E⇓ ) and the regression lines are nearly parallel. However, when case 5 (Fig. 1B⇓ ) is added, the new regression line is much more influenced by its presence (Fig. 1D⇓ ). This case forces the regression line close to it, and its residual is correspondingly small (Fig. 1F⇓ ). What are the differences between these 2 cases? When an outlier is close to the mean value of x (as in case 5 in Fig. 1A⇓ ), its influence is small (Fig. 1C⇓ ), whereas when the outlier is a long way from the mean value of …
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 | 0,006 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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