Saddlepoint tests for quantile regression
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
Abstract Quantile regression is a flexible and powerful technique which allows us to model the quantiles of the conditional distribution of a response variable given a set of covariates. Regression quantile estimators can be viewed as M ‐estimators and standard asymptotic inference is readily available based on likelihood‐ratio, Wald, and score‐type test statistics. However these statistics require the estimation of the sparsity function where G and g are the cumulative distribution function and the density of the regression errors, respectively, and this can lead to nonparametric density estimation. Moreover the asymptotic distribution for these statistics can provide an inaccurate approximation of tail probabilities and this can lead to inaccurate P ‐values, especially for moderate sample sizes. Alternative methods which do not require the estimation of the sparsity function include rank techniques and resampling methods to obtain confidence intervals, which can be inverted to test hypotheses. These are typically more accurate than the standard M ‐tests. In this article we show how accurate tests can be obtained by using a nonparametric saddlepoint test statistic. The proposed statistic is asymptotically distributed, does not require the specification of the error distribution, and does not require the estimation of the sparsity function. The validity of the method is demonstrated through a simulation study, which shows both the robustness and the accuracy of the new test compared to the best available alternatives. The Canadian Journal of Statistics 44: 271–299; 2016 © 2016 Statistical Society of Canada
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 | 0,001 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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