Bayesian and subset-selection methods for parameter estimation in mechanistic models with limited data: A review and comparison
Notice bibliographique
Résumé
Parameters in mathematical models require accurate estimation for the model to give reliable predictions. When data are limited, weighted least-squares methods sometimes result in unreliable parameter estimates. Two popular approaches to combat this issue are subset-selection and Bayesian estimation. Subset-selection ranks model parameters from most- to least-estimable based on prior parameter knowledge and available data. The ranked list is used to determine which parameters should be estimated, and which should be fixed at initial guesses to avoid overfitting. Bayesian estimation methods summarize prior knowledge about parameters using probability distributions. Simple Bayesian methods result in objective functions with penalty terms that keep parameter estimates near their initial guesses unless there is considerable information in the data. Subset-selection and Bayesian methods result in different parameter estimates using the same data and similar prior information. A hydroisomerization case study is presented comparing the merits and shortcoming of each approach. Bayesian estimation is preferred if prior parameter knowledge is reliable, but provides misleading results when the modeler is overly confident about poor parameter guesses. Subset-selection methods are more computationally expensive, less susceptible to problems arising from poor initial guesses, and provide additional information about influences of model parameters and opportunities for model simplification. • Models require accurate parameter estimates to be useful • Estimating model parameters with limited data can cause major difficulties • Bayesian and subset-selection methods alleviate these issues • A literature review is conducted on these two estimation methods • A comprehensive case study compares their merits and shortcomings
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) | 0,001 | 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 ».