MétaCan
Menu
Retour à la cohorte
Enregistrement W4321379229 · doi:10.17576/jsm-2023-5201-24

Approximation of the Sum of Independent Lognormal Variates using Lognormal Distribution by Maximum Likelihood Estimation Approached

2023· article· en· W4321379229 sur OpenAlexaff
Abdul Rahman Othman, Choo Heng Lai, Sonia Aissa Sonia Aissa, Nora Muda

Notice bibliographique

RevueSains Malaysiana · 2023
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueForecasting Techniques and Applications
Établissements canadiensInstitut National de la Recherche Scientifique
Organismes subventionnairesnon disponible
Mots-clésLog-normal distributionMathematicsIndependent and identically distributed random variablesMonte Carlo methodStatisticsSample size determinationApplied mathematicsRandom variable

Résumé

récupéré en direct d'OpenAlex

Three methods of approximating the sum of lognormal variates to a lognormal distribution were studied. They were the Wilkinson approximation, the Monte Carlo version of the Wilkinson approximation and the approximation using estimated maximum likelihood lognormal parameters. The lognormal variates were generated empirically using Monte Carlo simulation based on several conditions such as number of lognormal variates in the sum, number of sample points in the variates, the variates are independent and identically distributed (IID) and also not identically distributed (NIID) with lognormal parameters. Evaluation of all three lognormal approximation methods was performed using the Anderson Darling test. Results show that the approximation using estimated maximum likelihood lognormal parameters produced Type I errors close to the 0.05 target and is considered the best approximation.

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 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)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,621
Score d'incertitude au seuil0,431

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,069
Tête enseignante GPT0,330
Écart entre enseignants0,261 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSains MalaysianaMême sujetForecasting Techniques and ApplicationsTravaux en français237 207