Enhancing inference for rama distribution: Confidence ntervals and their applications
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
This research introduces and investigates four approaches for constructing confidence intervals (CIs) associated with the parameter of the Rama distribution—a model often applied in lifetime data modeling. The methods under consideration comprise the likelihood-based, Wald-type, bootstrap-t, and bias-corrected and accelerated (BCa) bootstrap intervals. To assess their practical utility, both Monte Carlo simulations and real data applications were utilized, emphasizing key performance indicators such as empirical coverage probability (ECP) and average width (AW) under various experimental conditions. To improve computational efficiency, a closed-form expression for the Wald-type CI was formulated. Simulation findings indicated that, across most situations, the ECPs obtained from both the likelihood-based and Wald-type CIs remained closely aligned with the nominal 95% confidence level. However, when the sample size was small, both the bootstrap-t and BCa bootstrap CIs yielded ECPs that fell short of the nominal level. As the sample size increased, the ECPs associated with these methods progressively approached the targeted confidence level, though variations in parameter values continued to influence their performance. The practical utility of these CIs was further validated through their application to two real-world datasets: monthly tax revenue in Egypt and plasma concentrations of indomethacin. The results from these applications were consistent with the findings of the simulation study, confirming the robustness and applicability of the proposed methods. Journal of Statistical Research 2025, Vol. 59, No. 1, pp. 107-129
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 | 0,018 |
| 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 découle