Poisson Mean Homogeneity: Single-Observation Framework with 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
Practical problems often drive the development of new statistical methods by presenting real-world challenges. Testing the homogeneity of n independent Poisson means when only one observation per population is available is considered in this paper. This scenario is common in fields where limited data from multiple sources must be analyzed to determine whether different groups share the same underlying event rate or mean. These settings often exhibit underlying structural or spatial symmetries that influence statistical behavior. Traditional methods that rely on large sample sizes are not applicable. Hence, it is crucial to develop techniques tailored to the constraints of single observations. Under the null hypothesis, with large n and a fixed common mean λ, the likelihood ratio test statistic (LRTS) is shown to be asymptotically normally distributed, with the mean and variance being approximated by a truncation method and a parametric bootstrap method. Moreover, with fixed n and large λ, under the null hypothesis, the LRTS is shown to be asymptotically distributed as a chi-square with n−1 degrees of freedom. The Bartlett correction method is applied to improve the accuracy of the asymptotic distribution of the LRTS. We highlight the practical relevance of the proposed method through applications to wildfire and radioactive event data, where correlated observations and sparse sampling are common. Simulation studies further demonstrate the accuracy and robustness of the test under various scenarios, making it well-suited for modern applications in environmental science and risk assessment.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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