Variability and uncertainty of variance components in fixed‐effects and mixed‐effects ground‐motion models
Notice bibliographique
Résumé
It has become common in the development of ground‐motion models (GMMs), especially using mixed‐effects regression with crossed random effects, to calculate standard deviations, referred to as variance components, from sample statistics of the residuals (i.e. random effects and within‐group errors) rather than using the variance components reported by a mixed‐effects regression program, calculated using the same algorithms used in the mixed‐effects regression, or estimated using Bayesian inference. This practice leads to underestimating the standard deviations because it does not account for the uncertainty (i.e. standard errors) associated with fitting the random effects and within‐group errors during the regression analysis. In this study, we used a series of ground‐motion models for Fourier amplitude spectra developed using mixed‐effects regression of an Next Generation Attenuation (NGA)‐West2 database to show that residual‐based standard deviations can be significantly smaller than regression‐based standard deviations. These differences are exacerbated for those variance components with the fewest number of observations or when the residuals are partitioned (e.g. by earthquake magnitude). Using residual‐based variance components not only results in smaller standard deviations but can lead to biased inferences when attempting to compare the efficacy of a model based solely on a comparison of the values of the variance components or their related mean square errors. It can also lead to biased fixed‐effects coefficients if the variance components are derived from the residuals of a mixed‐effects regression rather than estimated during a regression. We show that variance components can be decomposed into various random‐effect grouping factors and partitioned into subsets of predictor variables, such as magnitude, from the total residuals of a non‐Bayesian mixed‐effects regression program using Bayesian inference. This process does not require the development of an entire GMM using Bayesian mixed‐effects regression.
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 | 0,046 | 0,119 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».