Comparing Weighted Markov Chain and Auto-Regressive Integrated Moving Average in the Prediction of Under-5 Mortality Annual Closing Rates in Nigeria
Notice bibliographique
Résumé
In developing countries, childhood mortality rates are not only affected by socioeconomic, demographic, and health variables, but also vary across regions. Correctly predicting childhood mortality rate trends can provide a clearer understanding for health policy formulation to reduce mortality. This paper describes and compares two prediction methods: Weighted Markov Chain Model (WMC) and Autoregressive Integrated Moving Average (ARIMA) in order to establish which method can better predict the annual child mortality rate in Nigeria. The data for the study were Childhood Mortality Annual Closing Rates (CMACR) data for Nigeria from 1964-2017. The CMACR provides random values changing over time (annually), so we can analyze the mortality closing rate and predict the change range in the next state. Weighted Markov Chain (WMC), a method based on Markov theory, addresses the state and its transition procedures to describe a changing random time series. While the Autoregressive Integrated Moving Average (ARIMA) is a generalization of an Autoregressive Moving Average (ARMA) model. The findings indicate that the ARIMA model predicts CMACR for Nigeria better than WMC. The WMC entered in a loop after two iterations, and we could not use it effectively to predict the future values of CMACR.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».