Notice bibliographique
Résumé
In the absence of sufficiently large samples, due to expensive sampling costs or other constraints, statisticians can gain power for statistical inference by pooling the information of multiple available samples.If the underlying distributions of the samples being pooled are assumed to share some latent characteristics, one option at the statisticians' disposal is the semi-parametric Density Ratio Model (DRM).An area of interest concerning DRM inference is determining the pre-specified basis function of the model prior to estimating the model parameters -it is known that misspecification of this function can have adverse effects with respect to bias and mean-squared error of the estimates.The existing literature on current selection techniques for the basis function is limited.This thesis postulates a novel estimation method that applies the well known group lasso penalty to the Dual Empirical Likelihood (DEL) function.Analogous to its utility in regression, these penalized estimators are shown to generate sparse solutions that effectively simplify the model's basis function.Each penalty group is structured to contain coefficients of the same basis function term across all samples.An adaptive version of the estimator is also proposed in this thesis and shown to be both root-n consistent and selection consistent.As the group lasso penalty is non-differentiable at the origin, optimization of the objective function must be dealt with care.Three optimization algorithms are studied in application to the estimators: Subplex, Block Coordinate Gradient Descent, and Sequential Least Squares Quadratic Programming (SLSQP).SLSQP is observed to minimize the objective function sufficiently while converging in less iterations than the other candidates.The simulation study conducted shows that the proposed estimators are able to correctly select the basis function in certain scenarios.They display better performance when applied to data generated from symmetric distributions.The application of AIC and BIC to select the optimal tuning parameter value for the group lasso-based estimators are also shown to provide a modest level of utility in the model selection process.
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 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 | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».