Bootstrapping Regression Models with BLUS Residuals
Notice bibliographique
Résumé
To bootstrap a regression problem, pairs of response and explanatory variables or residuals can be resampled, according to whether we believe that the explanatory variables are random or fixed.In the latter case, different residuals have been proposed in the literature, including the ordinary residuals (Efron, 1979), standardized residuals (Bickel andFreedman, 1983) and studentized residuals (Weber, 1984).Freedman (1981) has shown that the bootstrap from ordinary residuals is asymptotically valid when the number of cases increases and the number of variables is fixed while Weber (1984) has done the same for studentized residuals.Bickel and Freedman (1983) have shown the asymptotic validity for ordinary residuals when the number of variables as well as the number of cases increase provided that the ratio of the two converges to 0 at an appropriate rate.In this paper, we introduce the use of Best Linear Unbiased Scaled (BLUS) residuals in bootstrapping regression models.The main advantage of the BLUS residuals, introduced in Theil (1965), is that they are uncorrelated.The main disadvantage is that only n -p residuals can be computed for a regression problem with n cases and p variables.The asymptotic results of Freedman (1981) and Bickel and Freedman (1983) for the ordinary (and standardized) residuals are generalized to the BLUS residuals.A small simulation study shows that even though only n -p residuals are available, bootstrapping BLUS residuals is as good in small samples, and sometimes better, than bootstrapping from standardized or studentized residuals.
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 | 0,023 | 0,125 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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.
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 ».