Time Series Analysis of National League Slugging Percentage (Major League Baseball)
Notice bibliographique
Résumé
Time Series Analysis of National League Slugging Percentage (Major League Baseball) Major League Baseball records yearly National League slugging percentage values, and for this project the data was examined using a time series with 103 data points, from 1901-2003. The analyses performed include exploratory data analysis such as the plot of the time series, a histogram, a normal QQ-plot, and the Autocorrelation Function and Partial Autocorrelation function of the series. Numerous general choices for which model to select for the data such as Autoregressive (AR) and Moving Average (MA) models were considered, as well as possible transformations or differencing of the data in order to obtain stationarity and constant variance of the series. Once these possible models were chosen, the next step was fitting the models to the series and analyzing the coefficients through parameter estimation, as well as performing a diagnostic check of the residuals for each model. Information Criterion values were also used to interpret the results of the model fitting. To confirm any hypotheses made to that point, predictions were done to evaluate the success of the model in terms of forecasting future values. In this case, the time series including the years from 1901-2003 was used to predict the slugging percentage values for the next ten years, from 2004-2013. Clearly, these results have already been obtained, so the effectiveness of the forecasting was determined decisively by comparing the predicted values and actual values for each model being tested. A convincing choice of the optimal model for this time series was attained. Discipline: Statistics Faculty Mentor: Dr. Cristina Anton
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».