Improved Nonparametric Inference for the Mean of a Bounded Random Variable with Application to Poverty Measures
Notice bibliographique
Résumé
We provide new finite sample nonparametric inference methods for the mean of a bounded random variable. For this purpose, we prove that the impossibility theorem of Bahadur and Savage (1956) does not apply in this case. Next, we observe that confidence intervals for the mean of a bounded random variable can actually be derived by projection from confidence intervals for the adequate distribution function and investigate finite sample nonparametric methods based on improved Kolmogorov Smirnov statistics and likelihood ratio improvement. Further, we apply all studied inference methods on the Foster, Greer and Thorbecke (FGT, 1984) poverty measures. We show that FGT poverty measures are actually expectations of some bounded random variables, namely a mixing between a continuous bounded random variable and a mass at the poverty line. So, all inference methods for the mean of bounded random variable apply to this case. We study the relative performance of such methods. Monte Carlo simulations demonstrate the necessity of using finite sample nonparametric approaches. The asymptotic and bootstrap inference methods appear not reliable in finite sample. On the contrary, the finite sample nonparametric inference methods we propose are robust to the framework and the sample size we use. Confidence intervals we get have a very good coverage probability (always close to 100%) and a good precision. In addition, we provide explicit expressions which make them very easy to compute.
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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».