Notice bibliographique
Résumé
다중탈퇴모형 연구에서 연(year) 기준의 다중탈퇴율과 연 기준의 절대탈퇴율을 상호 전환하는 방법에 집중되어 있다. 실제 실무에서는 월(month) 기준의 다중탈퇴율이 필요한 경우가 많으므로 본 논문에서는 연 기준의 절대탈퇴율을 월 기준의 다중탈퇴율로 전환하거나 연 기준의 다중탈퇴율을 일 기준의 절대탈퇴율로 전환하는 공식을 유도한다. 유도된 공식은 월 기준 대신에 일(day) 기준 또는 분기(quarter) 기준 또는 반기(semiannual) 기준 등으로도 전환 가능한 공식이다. 또한 월 기준의 절대탈퇴율에서 월 기준의 다중탈퇴율로 전환 가능한 공식도 제시한다. 절대탈퇴율에서 다중탈퇴율로 전환하는 과정에서 절대탈퇴율이 균등분포 가정(UDD: Uniform Distribution of Decrements)을 따른다고 한다. 다중탈퇴율에서 절대탈퇴율로 전환하는 과정에서는 다중탈퇴율이 UDD를 가정하는 경우와 상수탈퇴력 가정 (Constant force assumption)을 따르는 경우로 나누어서 공식을 유도한다. 유도된 공식은 Bowers 등 (1997)에 있는 전환 공식의 일반적인 형태임을 확인할 수 있다. 또한 유도된 공식을 활용하여 수치 예를 통하여 자료를 이용하여 절대탈퇴율과 다중탈퇴율의 전환 과정을 설명하며 유도된 공식들의 차이점을 비교한다. 【Researches on conversion formulas between multiple decrement models and the associated single decrement models have focused on calculating yearly-based conversion formulas. In practice, actuaries may be more interested in monthly-based conversion formulas. Multiple decrement tables and their associated single decrement tables consist of yearly-based rates of multiple decrements and absolute rates of decrements, respectively. This paper derives conversion formulas from yearly-based absolute rates of decrements to monthly-based rates of decrement due to cause j under the uniform distribution of decrements(UDD). Next, it suggests conversion formulas from monthly-based absolute rates of decrements to monthly-based rates of decrement due to cause j under UDD. In addition, it calculates conversion formulas from yearly-based rates of decrement due to cause j to the corresponding absolute rates of decrements under UDD or constant force assumption. Some numerical examples are discussed.】
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,069 | 0,029 |
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 ».