A Conditioned Forecasting Model: A-priori Screening Validation Testing
Notice bibliographique
Résumé
Context The forecasting literature over the last three decades documents that judgmental conditions on the performance of the forecasting model are often used to rationalize the acceptance of the intel from a forecasting model that will be used in creating an action-plan. However, rarely are these judgmental-conditioning protocols recorded as they should be to intelligently process the interactions of the conditioning protocols with possible adjustments made in the forecasts. Focus In this research report, we will offer, four judgmental conditioning aspects that are not infrequently used by managers of forecasting divisions. Specifically, the acceptance contingencies of a forecasting model under evaluation scrutiny are: (i) The desired magnitude of the Median benchmarked Precision is in evidence, (ii) The Holdback is in the (1-FPE) Confidence Interval, (iii) The Pearson Product Moment Correlation-Null of the residuals is not rejected, and (iv) The Autocorrelation-Null of the residuals is not rejected. Each of these four conditioning aspects will be evaluated for two standard models typically in the panoply of forecasters: The Two-Parameter [Intercept & Slope] Linear OLS-Regression & the ARIMA(0, 2, 2)/Holt models. The measure of interest for ALL of the selected inferential analyses is: How often do selections among these conditioning aspects result in the forecasting model being rejected as informing the decision-making process? Results Surprisingly, the range of Failures for the conditions tested ranged grosso modo in the interval:{40% to 80%}depending on the nature of the Conditions. These implications are discussed.
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 | 0,111 | 0,362 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».