A generalized class of skew distributions and associated robust quantile regression models
Notice bibliographique
Résumé
This article proposes a generalized class of univariate skew distributions that are constructed through partitioning two scaled mixture of normal (Gaussian) distributions. The proposed distributions have a skewness parameter defined in the interval (0,1), allowing direct application to parametric quantile regression. Employing scale mixture of normals facilitates efficient estimation via Markov chain Monte Carlo methods. Two simulation studies, one on estimation with skew error regression models, the other on parametric quantile regression models reveal favourable estimation properties. Two corresponding empirical studies, one analysing U.S. market returns, the other on infant birthweight data further illustrate the proposed distributions and their estimation. The Canadian Journal of Statistics 42: 579–596; 2014 © 2014 Statistical Society of Canada Les auteurs présentent une classe généralisée de lois univariées asymétriques construites à partir du partitionnement de deux mélanges normalisés de lois normales (gaussiennes). Les lois proposées possèdent un paramètre d'asymétrie défini dans l'intervalle (0,1), permettant une application directe à la régression quantile paramétrique. L'utilisation de mélanges normalisés de lois normales permet une estimation efficace au moyen d'algorithmes de Monte-Carlo à chaî nes de Markov. Deux études de simulation portant sur la régression à erreur asymétrique et la régression quantile paramétrique révèlent des propriétés favorables pour l'estimation. Les auteurs illustrent les lois proposées et leur estimation pour ces deux types de modèles à l'aide d’études empiriques, une première portant sur l'analyse des rendements du marché des États-Unis, et une seconde à propos de données sur le poids de bébés à la naissance. La revue canadienne de statistique xx: 1–18; 2014 © 2014 Société statistique du Canada Additional supporting information may be found in the online version of this article at the publisher's web-site Please note: The publisher is not responsible for the content or functionality of any supporting information supplied by the authors. Any queries (other than missing content) should be directed to the corresponding author for the article.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».