Fiducialize statistical significance: transforming<i>p</i>-values into conservative posterior probabilities and Bayes factors
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
One remedy to the misuse of p-values transforms them to bounds on Bayes factors. With a prior probability of the null hypothesis, such a bound gives a lower bound on the posterior probability. Unfortunately, knowing a posterior probability is above some number cannot ensure that the null hypothesis is improbable enough to warrant its rejection. For example, if the lower bound is 0.0001, that implies that the posterior probability is at least 0.0001 but does not imply it is lower than 0.05 or even 0.9. A fiducial argument suggests an alternative estimate of the posterior probability that the null hypothesis is true. In the case that the prior probability of the null hypothesis is 50%, the estimated posterior probability is about p(lnp)2 for low p. In other cases, each occurrence of p in the formula is the p-value calibrated by multiplying it by the prior odds of the null hypothesis. In the absence of a prior, p(lnp)2 also serves as an asymptotic Bayes factor. Since the fiducial estimate of the posterior probability is greater than the lower bounds, its use in place of a bound leads to more stringent hypothesis testing. Making that replacement in a rationale for 0.005 as the significance level reduces the level to 0.001.
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 | 0,002 | 0,098 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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