Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Citation (2006), "List of Contributors", Fomby, T.B. and Terrell, D. (Ed.) Econometric Analysis of Financial and Economic Time Series (Advances in Econometrics, Vol. 20 Part 2), Emerald Group Publishing Limited, Bingley, pp. xi-xii. https://doi.org/10.1016/S0731-9053(05)20036-1 Publisher: Emerald Group Publishing Limited Copyright © 2006, Emerald Group Publishing Limited Book Chapters Contents Dedication List of Contributors Introduction Good Ideas The Creativity Process Realized Beta: Persistence and Predictability Asymmetric Predictive Abilities of Nonlinear Models for Stock Returns: Evidence from Density Forecast Comparison Flexible Seasonal Time Series Models Estimation of Long-Memory Time Series Models: a Survey of Different Likelihood-Based Methods Boosting-Based Frameworks in Financial Modeling: Application to Symbolic Volatility Forecasting Overlaying Time Scales in Financial Volatility Data Evaluating the ‘Fed Model’ of Stock Price Valuation: An out-of-sample forecasting perspective Structural Change as an Alternative to Long Memory in Financial Time Series Time Series Mean Level and Stochastic Volatility Modeling by Smooth Transition Autoregressions: A BAYESIAN Approach Estimating Taylor-Type Rules: An Unbalanced Regression? Bayesian Inference on Mixture-of-Experts for Estimation of Stochastic Volatility A MODERN TIME SERIES ASSESSMENT OF “A STATISTICAL MODEL FOR SUNSPOT ACTIVITY” BY C. W. J. GRANGER (1957) Personal Comments on Yoon's Discussion of My 1957 Paper A New Class of Tail-dependent Time-Series Models and Its Applications in Financial Time Series
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 découle