OLS-Regression Forecasting Confidence Intervals Capture Rates: Precision Profiling in the Forecasting Model Selection Process
Notice bibliographique
Résumé
Forecasting creates projections into an uncertain future. To understand the decision-making implications of the forecast, confidence intervals [CIs] are required. This seems simple enough. However, considering the details of the computations that underlie generating forecasting CIs, one encounters a practical disconnect that can create a decision-making paradox. In the OLS 2-parameter linear regression [OLSR] case, there are two forecasting Models that are often employed: {The Uni-variate Time Series & The Standard two-variable Regression Y:X}. Further, for each of these two Models individually, there are three (1-FPE[α]) %CIs Versions: {Excel, Fixed Effects & Random Effects} each of which is oriented around the same OLSR-forecast value. Given this component configuration, a paradox emerges because each of the forecasting models, {TS or Y:X}, individually produces a forecast with a markedly difference precision profile over the three CI-Versions. In our experience, this is paradoxical as forecasters assume that as the forecasts are the same in each model-class, their Capture Rate—the percentage of time that the actual future values are IN the CIs—should also be the same. To address this seeming paradox, we develop, detail, and illustrate a two-stage OLSR Decomposition and Screening protocol, termed: the [D&S-Triage] protocol that has the following components: (i) Stage A: decomposition of the Model & Version factor-sets to better understand the implications of their Precision differences, and (ii) Stage B: focusing on inferentially significant forecasting model components, create a multilevel quality-algorithm to identify a forecasting model-set that addresses the Quality of the Capture Rate that are the best in their class.
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 | 0,007 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,000 |
| 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 ».