Comparing the Accuracy of Three Predictive Information Criteria for Bayesian Linear Multilevel Model Selection
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
Bayesian multilevel modeling techniques have become increasingly popular. As researchers leverage these techniques, information criteria—fit indices which provide information about a model’s fit to the data—play an important role in disambiguating between competing models. The deviance information criteria (DIC) has been historically popular and is computationally easy, yet newer indices such as Watanabe-Akaike information criterion (WAIC) and an approximation to the leave-one-out cross-validation information criterion (LOO-CV) have been recently introduced. However, researchers may be unsure about which criteria to use, as to our knowledge, a systematic evaluation of these Bayesian criteria in a multilevel context has not yet been undertaken. Complicating this matter, computation of these indices using the so-called marginal likelihood is sometimes recommended, yet use of the conditional likelihood is easier and more readily found in some popular software. In addition, researchers frequently select the model with the lowest value of the information criteria, discounting the presence of uncertainty in calculating the criteria. Across two extensive simulation studies meant to mimic experimental and observational studies, we investigate the model selection accuracy of conditional and marginal versions of DIC, WAIC, and LOO-CV; we also compare a lowest wins strategy versus one that considers model selection uncertainty. In general, indices based on the marginal likelihood had a slight advantage and performed similarly to each other, whereas under the conditional likelihood WAIC and LOO-CV outperformed DIC. In addition, we argue that a selection strategy that simply chooses the model with the lowest information criteria may result in overfitting.
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 | 0,006 |
| 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 découle