MétaCan
Menu
Retour à la cohorte
Enregistrement W2968029362 · doi:10.5539/ijsp.v8n5p49

Lack-of-fit Testing for Polynomial Regression Models Without Replications

2019· article· en· W2968029362 sur OpenAlexvenueno aff
Maha A. Omair, Abdullah Al-Shiha, Ruba A. Alyafi

Notice bibliographique

RevueInternational Journal of Statistics and Probability · 2019
Typearticle
Langueen
DomaineMathematics
ThématiqueAdvanced Statistical Methods and Models
Établissements canadiensnon disponible
Organismes subventionnairesKing Saud University
Mots-clésCovariateMathematicsParametric statisticsStatisticsPolynomialReplication (statistics)Polynomial regressionSample size determinationConstant (computer programming)Applied mathematicsVariance (accounting)Zero (linguistics)Regression analysisCombinatoricsComputer scienceMathematical analysis

Résumé

récupéré en direct d'OpenAlex

Parametric and non-parametric approaches are developed to test the adequacy of the polynomial model Y=β°+j=1pβjXj+ε when there is no replication in the values of the independent variable. The proposed tests avoid partitioning of the sample space of the continuous covariate. This paper suggests three tests based on the following concept: if the model is appropriate for a selected application, then the error component ε1,ε2,…,εn is a random sample with zero mean and constant variance. Simulation results are provided to illustrate the power and size of the proposed tests. An example is used to illustrate the methodologies. These tests are also compared with the classical lack-of-fit test to demonstrate their advantage.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,124
score de la tête « metaresearch » (Gemma)0,510
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,124
Score d'incertitude au seuil0,657

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1240,510
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0040,005
Bibliométrie0,0050,005
Études des sciences et des technologies0,0020,007
Communication savante0,0030,007
Science ouverte0,0060,005
Intégrité de la recherche0,0040,005
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,264
Tête enseignante GPT0,478
Écart entre enseignants0,214 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Statistics and ProbabilityMême sujetAdvanced Statistical Methods and ModelsTravaux en français237 207