Notice bibliographique
Résumé
Advancements in statistics are normally geared to addressing topics that will either address an existing gap in the field or to render analysis results more accurate/reliable.This work aims to add to existing research by extending from binary Generalized Linear Model (GLM) and Generalized Linear Mixed Model (GLMM) to a multinomial logit, multivariate GLM (MGLM) and multivariate GLMM (MGLMM), subject to ordered equality and inequality constraints.We extended the maximum likelihood estimate (MLE) and likelihood ratio hypothesis testing (LRT) methods for the binary and multinomial GLM and GLMM subject to linear equality and inequality constraints on the parameters of interest.These methods will build on existing literature to allow for more options in hypothesis testing and the construction of confidence intervals.The innovative procedures take advantage of the gradient projection (GP) technique for the MLE, and chi-bar-square statistics for constrained LRTs.The model presented in this thesis yields accurate results since parameter orderings or constraints often occur naturally; and when this occurs, we optimize the efficiency of a statistical method by incorporating the parameter constraints into the MLE and hypothesis testing.More specifically, we use ordered constrained inference for multinomial data whereby including equality and inequality constraints adds value to our predictions.Using real-world data from the Canadian Community Health Survey (C-CHS), the methodology of using constraints showed significant improvement on methodology that does not, which substantiates the added value of the work presented here.This work contributes to the field by dealing with inequality constraints in MGLMM, specifically multinomial data, which is the most challenging problem in constrained inference.This helps improve results for researchers in both scientific and non-scientific fields.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,057 | 0,307 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».