On Some Mixture Models for Over-dispersed Binary Data
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
In this paper, we consider several binomial mixture models for fitting over-dispersed binary data. The models range from the binomial itself, to the beta-binomial (BB), the Kumaraswamy distributions I and II (KPI \& KPII) as well as the McDonald generalized beta-binomial mixed model (McGBB). The models are applied to five data sets that have received attention in various literature. Because of convergence issues, several optimization methods ranging from the Newton-Raphson to the quasi-Newton optimization algorithms were employed with SAS PROC NLMIXED using the Adaptive Gaussian Quadrature as the integral approximation method within PROC NLMIXED. Our results differ from those presented in Li, Huang and Zhao (2011) for the example data sets in that paper but agree with those presented in Manoj, Wijekoon and Yapa (2013). We also applied these models to the case where we have a $k$ vector of covariates $(x_1, x_2, \ldots, x_k)^{'}$. Our results here suggest that the McGBB performs better than the other models in the GLM framework. All computations in this paper employed PROC NLMIXED in SAS. We present in the appendix a sample of the SAS program employed for implementing the McGBB model for one of the examples.
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 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,002 | 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