Minimum Mismatch Modeling (3M) Hyperparameter Selection in Autoregressive Moving Average (ARMA) Modeling
Notice bibliographique
Résumé
Hyperparameters of Autoregressive Moving Average (ARMA) modeling are the number of AR coefficients and the number of MA coefficients. The hyperparameter selection (HS) in ARMA modeling plays a critical role and can dominate the coefficient (parameter) estimation process. This work provides a novel method of HS estimation that works with the Conditional Least Square Estimator (CLSE), which is the most efficient ARMA parameter estimator. The proposed HS method focuses on a rational cost function in the form of mismatch modeling error. The error aims to capture the estimation difference between the true and unknown HS parameters and the competing hyperparameters. This error can be calculated using the available mean square error (MSE) in the parameter estimation step. The proposed method, denoted by the minimum mismatch modeling (3M) approach, has already shown superiority over other HS approaches in AR modeling. In AR modeling, the parameter estimator is based on the Yule-Walker method, which is a linear estimator, and the 3M calculation process using the available MSE has been provided for this modeling. However, in ARMA modeling the CLSE estimator is a nonlinear estimator, and one main challenge is to solve for calculation of the 3M using the MSE of CLSE. The method proposed here, denoted by 3M-CLSE, provides the steps to get to the desired 3M from the available CLSE MSE. It can be shown that the criteria of most used HS methods Akaike Information Criterion (AIC) and Bayesian Information Criterion (BIC) are special cases of 3M-CLSE for particular choices of confidence and validation probabilities. The simulation results confirm the superiority of 3M-CLSE over the existing HS approaches in terms of HS accuracy, as well as in terms of modeling MSE error.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».