Empirical dynamics for longitudinal data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We demonstrate that the processes underlying on-line auction price bids and many\n other longitudinal data can be represented by an empirical first order stochastic ordinary\n differential equation with time-varying coefficients and a smooth drift process. This\n equation may be empirically obtained from longitudinal observations for a sample of\n subjects and does not presuppose specific knowledge of the underlying processes. For the\n nonparametric estimation of the components of the differential equation, it suffices to\n have available sparsely observed longitudinal measurements which may be noisy and are\n generated by underlying smooth random trajectories for each subject or experimental unit in\n the sample. The drift process that drives the equation determines how closely individual\n process trajectories follow a deterministic approximation of the differential equation. We\n provide estimates for trajectories and especially the variance function of the drift\n process. At each fixed time point, the proposed empirical dynamic model implies a\n decomposition of the derivative of the process underlying the longitudinal data into a\n component explained by a linear component determined by a varying coefficient function\n dynamic equation and an orthogonal complement that corresponds to the drift process. An\n enhanced perturbation result enables us to obtain improved asymptotic convergence rates for\n eigenfunction derivative estimation and consistency for the varying coefficient function\n and the components of the drift process. We illustrate the differential equation with an\n application to the dynamics of on-line auction data.
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.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle