MétaCan
Menu
Retour à la cohorte
Enregistrement W4283217532 · doi:10.1111/obes.12511

Testing the Presence of Outliers in Regression Models*

2022· article· en· W4283217532 sur OpenAlex
Xiyu Jiao, Felix Pretis

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueOxford Bulletin of Economics and Statistics · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFiscal Policy and Economic Growth
Établissements canadiensUniversity of Victoria
Organismes subventionnairesBritish AcademyRobertson Foundation
Mots-clésOutlierEconometricsStatisticsRegression analysisLinear regressionRegressionScalingSimple linear regressionMathematics

Résumé

récupéré en direct d'OpenAlex

We propose two sets of tests for the overall presence of outliers in regression models. First, ‘simple’ tests on whether the proportion and the number of detected outliers deviate from their expected values. Second, ‘scaling’ tests on whether the proportion of outliers decreases with the cut‐off used to detect outliers. We apply our tests to a panel difference‐in‐differences model of transport CO 2 emissions in response to the introduction of North America's first major carbon tax. Our tests show the presence of significant outliers in the un‐taxed control group, which results in an overestimation of the estimated impacts of the tax.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,259
Score d'incertitude au seuil0,462

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,218
Écart entre enseignants0,169 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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