MétaCan
Menu
Retour à la cohorte
Enregistrement W3134381438 · doi:10.1063/5.0042853

Inference for the covariance and correlation matrices of multivariate sample using Wishart distribution

2021· article· en· W3134381438 sur OpenAlexaboutno aff
A. Nikolova, Krasimira Prodanova

Notice bibliographique

RevueAIP conference proceedings · 2021
Typearticle
Langueen
DomaineMathematics
ThématiqueStatistical Distribution Estimation and Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWishart distributionCovariance matrixEstimation of covariance matricesInverse-Wishart distributionMatrix t-distributionMultivariate normal distributionScatter matrixCovarianceStatisticsMathematicsMultivariate statisticsNormal-Wishart distributionMatrix normal distributionSample mean and sample covarianceInferenceLaw of total covarianceMultivariate t-distributionSample (material)Covariance intersectionComputer scienceArtificial intelligencePhysics

Résumé

récupéré en direct d'OpenAlex

The purpose of this article is to introdused the inference techniques for the mean vector μ, the correlation matrix π and the covariance matrix Σ of the multivariate normal sample and to apply these techniques using the software package STATISTICA 13.0 (StatSoft Inc, USA). The sample contains 50 weekly return observations (in percent) on each of ten stock portfolios constructed from stocks on the Toronto Stock Exchanges. Since the data are obtained as a random sample of multivariate normal distribution the Wishart distribution can be used to make inference about covariance matrix.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,023
score de la tête « metaresearch » (Gemma)0,127
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,123

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0230,127
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,003
Bibliométrie0,0040,003
Études des sciences et des technologies0,0010,002
Communication savante0,0030,005
Science ouverte0,0020,002
Intégrité de la recherche0,0010,005
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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.

Tête enseignante Opus0,108
Tête enseignante GPT0,376
Écart entre enseignants0,267 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAIP conference proceedingsMême sujetStatistical Distribution Estimation and ApplicationsTravaux en français237 207