MétaCan
Menu
Retour à la cohorte
Enregistrement W3140762921 · doi:10.1002/cjs.11596

Optimal design under complete class with ancillary functions

2021· article· en· W3140762921 sur OpenAlexvenueno aff
Yi Hua, Min Yang

Notice bibliographique

RevueCanadian Journal of Statistics · 2021
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueOptimal Experimental Design Methods
Établissements canadiensnon disponible
Organismes subventionnairesNational Science Foundation of Sri Lanka
Mots-clésClass (philosophy)Extension (predicate logic)Nonlinear systemComputer scienceMathematical optimizationLogitPoisson distributionMathematicsAlgorithmMachine learningArtificial intelligenceStatistics

Résumé

récupéré en direct d'OpenAlex

Abstract Nonlinear models are challenging in optimal designs due to their complexity and lack of canonical forms. The complete class strategy provides a unified framework for studying optimal designs for nonlinear models. However, the current strategy does not apply to many models under this framework. In this article, we propose a tool called ancillary functions as an extension to the complete class strategy. We also provide results on minimally supported designs with proper conditions. We demonstrate this tool with two‐parameter dose–response models, which include the Beta‐Poisson model, the complementary log–log model, and the skewed logit model. The results of this article add to the previous complete class framework and make the minimally supported design available for more nonlinear models that were previously not feasible.

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)0,024
score de la tête « metaresearch » (Gemma)0,043
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: Théorique ou conceptuel
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,129

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0240,043
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,003
Science ouverte0,0020,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,235
Tête enseignante GPT0,373
Écart entre enseignants0,139 · 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

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of StatisticsMême sujetOptimal Experimental Design MethodsTravaux en français237 207