Enhancing the accuracy of modeling highly multicollinear CO2 emission data using a novel generalized Poisson Liu regression method
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Count data often exhibit dispersion patterns that the standard Poisson regression model struggles to handle, particularly in cases of overdispersion or underdispersion. The generalized Poisson regression model (GPRM) provides a more flexible alternative, extending the Poisson model to better accommodate such variations. However, parameter estimation in the GPRM typically relies on the generalized Poisson maximum likelihood estimator, which can be problematic when multicollinearity exists among explanatory variables. Biased estimation methods can be used to address this issue. This study explores the Liu estimator as a potential solution for reducing multicollinearity in the GPRM. We also propose different strategies for selecting the Liu parameter to improve estimation accuracy. The theoretical properties of the generalized Poisson Liu estimator are examined, and its performance is compared to that of the generalized Poisson maximum likelihood estimator using matrix mean squared error and scalar mean squared error as evaluation criteria. To assess its effectiveness, we conduct Monte Carlo simulations and apply the method to a carbon dioxide emission dataset in Canada. The results show that the generalized Poisson Liu estimator, particularly with an optimally chosen Liu parameter, outperforms the standard generalized Poisson maximum likelihood estimator in reducing estimation error in the presence of multicollinearity.
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.
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 | 0,002 | 0,010 |
| 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 | 0,001 | 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 découle