Classical and Bayesian Methods for Testing the Ratio of Variances of Delta-Lognormal Distributions
Notice bibliographique
Résumé
Abstract Six test statistics based on classical methods such as the generalized confidence interval (GCI), fiducial GCI (FGCI), and the method of variance estimates recovery (MOVER), as well as Bayesian methods using the highest posterior density (HPD) based on Jeffreys’ prior (HPD-Jef), Jeffreys’ rule prior (HPD-Rul), and the normal-gamma (HPD-NG) prior, for testing the ratio of variances of delta-lognormal distributions are proposed herein. A simulation study was conducted under several ratios of delta-lognormal variances to compare the performances of the proposed test statistics based on their empirical type I error rates and powers of the tests. The simulation results show that the MOVER test statistic performed well in terms of the empirical type I error rate for small sample sizes. In addition, the test statistics based on GCI, FGCI, and HPD-NG can be recommended for large sample sizes. When comparing the powers of the tests, the GCI and FGCI test statistics obtained higher powers than the others for moderate sample sizes while the HPD-NG test statistic achieved the highest power for large sample sizes. Daily rainfall amounts in the lower and upper northern regions of Thailand where the data follow delta-lognormal distributions were applied to illustrate the practical use of the proposed test statistics.
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 | 0,019 | 0,087 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».