Dimension Reduction and Model Averaging for Estimation of Artists' Age-Valuation Profiles
Notice bibliographique
Résumé
Dans des modèles de régression hédonique de l'évaluation des oeuvres d'art, on trouve souvent que la valeur explicative de l'âge de l'artiste lors de la création d'une oeuvre (ou d'une variable indicatrice des périodes de sa carrière) est très significative. La plupart des études préalables estiment des modèles où sont mis ensemble plusieurs artistes. Bien qu'il soit intéressant d'estimer de tels modèles pour des artistes individuels, les échantillons disponibles sont d'habitude de taille insuffisante en considérant le grand nombre de toutes les autres variables explicatives qu'on voudrait aussi inclure dans la régression. Dans ce papier, on adresse ce problème de degrés de liberté insuffisants en se servant de deux méthodes statistiques (moyenne de modèles et réduction de dimension) afin d'incorporer de l'information contenue dans un nombre possiblement grand de variables explicatives nous permettant l'estimation avec un petit échantillon. On trouve que les profils « âge-prix » des peintres individuels sont souvent considérablement différents de ceux estimés pour un groupe de peintres rassemblés, suggérant que l'application de nos méthodes dans des régressions hédoniques pourrait fournir de meilleures prévisions de prix réalisés dans des ventes aux enchères.
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 | 0,002 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».