Conditional Density Estimation and Density Forecast With Applications
Notice bibliographique
Résumé
In this thesis, several univariate and multivariate methods of building conditional density estimates and density forecasts are considered.For each method, two approaches (one-step and two-step) of finding the optimal bandwidth windows are used.To check which method is more accurate, numerous simulation studies were done on different univariate linear models such as AR(1) and multivariate linear models such as AR(2).Nonlinear models were also studied such as AR(1) with ARCH errors.These ideas were later applied to real world data where the true densities are unknown and checked to see how good they forecast the next point.Stock market data was used where different methods of the multivariate one-step approach were applied.The stocks that were studied were the NYSE and TSX.The dependence of one stock market on the other was also studied and how much of a factor it plays in forecasting the next price.Weather data was also studied.The three weather variables studied were the daily averages of pressure,wind speed and temperature for the Ottawa region.Multiple forecast densities were built and compared to see which method has the highest accuracy.It was found that when dealing with non-linear data, the one-step method is more efficient in estimating the true conditional density.The two-step approach is better when trying to estimate a univariate conditional density.When trying to estimate multivariate conditional density the further one goes away from stationarity, the better that the 2-step approach is.Real world data indicates that multivariate methodology was better at predicting future events.3.4 Multivariate Response . . . . . . . . . .
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 | 0,005 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».