Parametric bootstrap estimators for hybrid inference in forest inventories
Notice bibliographique
Résumé
Abstract In forestry, the variable of interest is not always directly available from forest inventories. Consequently, practitioners have to rely on models to obtain predictions of this variable of interest. This context leads to hybrid inference, which is based on both the probability design and the model. Unfortunately, the current analytical hybrid estimators for the variance of the point estimator are mainly based on linear or nonlinear models and their use is limited when the model reaches a high level of complexity. An alternative consists of using a variance estimator based on resampling methods (Rubin, D. B. (1987). Multiple imputation for nonresponse surveys. John Wiley & Sons, Hoboken, New Jersey, USA). However, it turns out that a parametric bootstrap (BS) estimator of the variance can be biased in contexts of hybrid inference. In this study, we designed and tested a corrected BS estimator for the variance of the point estimator, which can easily be implemented as long as all of the stochastic components of the model can be properly simulated. Like previous estimators, this corrected variance estimator also makes it possible to distinguish the contribution of the sampling and the model to the variance of the point estimator. The results of three simulation studies of increasing complexity showed no evidence of bias for this corrected variance estimator, which clearly outperformed the BS variance estimator used in previous studies. Since the implementation of this corrected variance estimator is not much more complicated, we recommend its use in contexts of hybrid inference based on complex models.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».