Alpha Power Type II-G Family: Adding a Power Parameter of Distributions
Notice bibliographique
Résumé
This paper introduces a new family of distributions named the Alpha Power Type II-G (APII-G) family, which emerges as a groundbreaking modeling strategy for examining data governed by univariate continuous distributions.This family aims to enhance the modeling capabilities of continuous prior distributions to better fit the data utilizing a new function encompassing the additional parameter power.The innovative methodology implemented encompasses two continuous distributions: firstly, the oneparameter exponential distribution, which engendered a fresh two-parameter, Alpha Power II Exponential (APIIE) distribution, and secondly, the two-parameter Weibull distribution, which yielded a new three-parameter, Alpha Power II Weibull (APIIW) distribution.Moreover, a scrutiny of the characteristics and statistical functions, and the estimations of the parameters of the two distributions.The efficacy of these estimators is substantiated through simulation studies and finding the mean square error (MSE) and bias values of the estimators compared to sample sizes.It has been empirically proven that the two suggested models outperformed the asymptotic distributions they were compared against using multiple goodness-fit criteria as Akaike information criterion (AIC), Bayesian information criterion (BIC), corrected AIC (CAIC) and Hannan-Quinn information criterion (HQIC) on authentic datasets, The values of these criteria appeared to be the lowest for the two new distributions, which means that the new distributions are the best, especially in the context of the given data.
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 | 0,016 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».