Notice bibliographique
Résumé
Correlated data collected from probability based sample surveys are often used in research studies in economics, health and social sciences.These surveys usually involve complex design such as stratification, clustering and unequal selection probability.Ignoring the correlations or the sampling design features may lead to erroneous inferences.In this thesis, we consider regression analysis of correlated survey data, taking account of both the correlation and sampling design.In the non-survey context, marginal models and mixed effects models are two approaches commonly used for correlated data.The Generalized Estimating Equation (GEE) method is the main method for marginal models and likelihood based methods are often used for mixed effects models.Recent progresses have been made to both approaches.Qu, Lindsay and Li (2000) proposed a quadratic inference functions (QIF) approach for marginal models that improves the GEE in terms of efficiency under misspecification of the second moment, and also possesses other features that the GEE does not.Lindsay (1988) proposed composite likelihood (CL) approach for multi-level mixed effects models.The CL method has been developed to reduce high dimensional likelihood functions to low dimensional ones, which makes the computation simpler while still having many of the good inference properties of a full List of Tables 1 SRE after 1,000 simulation, N = 80, T = 10.GEE Fixed: GEE with R being replaced by R * under unstructured working correlation, GEE UN: GEE under unstructured working correlation, GEE EX: GEE under exchangeable working correlation, GEE AR1: GEE under AR1 working correlation, QIF EX:
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 | 0,070 | 0,330 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
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 ».