MétaCan
Menu
Retour à la cohorte
Enregistrement W2757777593 · doi:10.7298/x4b56gqk

Tools For Modeling Sparse Vector Autoregressions

2016· article· en· W2757777593 sur OpenAlex

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.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueeCommons (Cornell University) · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Data Processing Techniques
Établissements canadiensnon disponible
Organismes subventionnairesInnovative Research Group Project of the National Natural Science Foundation of ChinaAmazon Web ServicesNational Science Foundation
Mots-clésComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The Proposed VARX-L Penalty Functions.Note that ( ) on and ( ) off denote the diagonal and off-diagonal elements of coefficient matrix ( ) , respectively. . . .1.2 One-step and four-step ahead MSFE of k = 20 macroeconomic indicators (relative to sample mean) with m = 20 exogenous predictors p = 4, s = 4. . . . . . .1.3 One-step ahead and four-step ahead MSFE (relative to sample mean) for VARX forecasts of k = 4 Canadian macroeconomic indicators with m = 20 exogenous predictors p = 4, s = 4 and VAR forecasts of 4 Canadian macroeconomic indicators, p = 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1.4 One-step and four-step ahead MSFE (relative to a random walk) for k = 20 nonstationary macroeconomic indicators with m=20 exogenous predictors which shrink toward a vector random walk. . . . . . . . . . . . . . . . . . . . . .1.5 Out of sample MSFE of one-step ahead forecasts after 100 simulations: Scenario 1.Standard errors are shown in parentheses. . . . . . . . . . . . . . . . . .1.6 Out of sample MSFE of one-step ahead forecasts after 100 simulations: Scenario 2. Standard errors are shown in parentheses. . . . . . . . . . . . . . . . . .1.7 Out of sample MSFE of one-step ahead forecasts after 100 simulations: Scenario 3. Standard errors are shown in parentheses. . . . . . . . . . . . . . . . . .1.8 Out of sample MSFE of one-step ahead forecasts after 100 simulations: Scenario 4. Standard errors are shown in parentheses. . . . . . . . . . . . . . . . . .2.1 Out-of-sample mean-squared one-step-ahead forecast error (standard errors are in parentheses) for Scenario 1 based on 100 simulations. . . . . . . . . . . . .2.2 Out-of-sample mean-squared one-step-ahead forecast error (standard errors are in parentheses) for Scenario 2 based on 100 simulations. . . . . . . . . . . . .2.3 Out-of-sample mean-squared one-step-ahead forecast error (standard errors are in parentheses) for Scenario 3 based on 100 simulations. . . . . . . . . . . . .2.4 Lag selection performance (standard errors in parentheses) for Scenario 1 based on 100 simulations. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2.5 Lag selection performance (standard errors in parentheses) for Scenario 2 based on 100 simulations. . . . . . . . . . . . . .

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,929
Score d'incertitude au seuil0,530

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,066
Tête enseignante GPT0,227
Écart entre enseignants0,161 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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