A bias-reduced estimator for generalized Poisson regression with application to carbon dioxide emission in Canada
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
The generalized Poisson regression model (GPRM) provides a flexible framework for modeling count data, especially those exhibiting over- or underdispersion. Although the generalized Poisson maximum likelihood estimator is considered the standard method for estimating the parameters of this model, its reliability and accuracy are severely affected by the presence of multicollinearity among explanatory variables. Multicollinearity inflates the variance of parameter estimates, undermining the validity of statistical inference and ultimately leading to unstable and unreliable estimators. To mitigate these problems, this study presents the ridge estimator as a robust alternative within the GPRM framework. Several new strategies are proposed for selecting the optimal value of the ridge parameter. The statistical properties of the proposed ridge estimator were theoretically studied. Theoretical comparisons and extensive Monte Carlo simulations demonstrated a clear and significant superiority of the ridge estimator under multicollinearity conditions, confirming its robustness and efficiency. To demonstrate the scientific and practical relevance of the proposed estimator, it was applied to a real-world case study modeling carbon dioxide emissions in Canada. The results of this experimental application conclusively confirmed the simulation and theoretical comparison results, with the ridge estimator providing more stable and interpretable results than the conventional method, making it a valuable tool for researchers and decision makers in analyzing multicollinear environmental and economic 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.
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 | 0,001 | 0,002 |
| 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