Markov chain Monte Carlo estimation of hazard model parameters in paleodemography
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
In the early 1990s Konigsberg and Frankenberg wrote “A future direction that we expect to see in anthropological demography and paleodemography is the incorporation of uncertainty of age estimates into reduced parameterizations of life table functions. For example, hazards analysis, which reduces the mortality parameters to a small set, has recently been used in a number of anthropological demography studies” (Konigsberg and Frankenberg 1992:252). At the time we were writing we lacked the appropriate reference sample data for such an endeavor, as well as a number of the requisite statistical/computational tools. Today, neither of these issues is particularly problematical. Consequently, in this chapter we present some newer methods exploiting available reference sample data. The structure of this chapter is as follows. First, we discuss methods for modeling the dependence of an ordinal categorical variable on age. We then discuss the modeling of survivorship for archaeological human remains, and show how hazard model parameters can be estimated from an ordinal categorical variable using traditional maximization of the loglikelihood. We follow this presentation of methods with a brief example of estimating the parameters in a Gompertz–Makeham model using pubic symphyseal data and the method of maximum likelihood. We then turn to using a specific Markov chain Monte Carlo (MCMC) method known as the Gibbs Sampler to show how more general problems in hazard model and age estimation can be attacked.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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