Notice bibliographique
Résumé
This article proposes to perform data fusion by using an adaptive weighted likelihood function when data sets are available from related populations. The main objective of data fusion is to integrate information from different sources to improve the quality of inference when the sample size from the target population is small or moderate. The weighted likelihood function is employed simply as an instrument to facilitate the data fusion process. The weighted likelihood method has informationtheoretic justification and embraces the widely used classical likelihood method which utilizes only on the data set from the target population. The degree of information integration in the proposed data fusion process is determined by the likelihood weights which should be chosen in a reasonable and adaptive way. The major challenge in the proposed data fusion process is then to choose likelihood weights adaptively and effectively when the deterministic relationships among all related parameters are unknown. We propose adaptive likelihood weights based on the estimated likelihood ratio. We show that the data fusion involving all relevant data sets could significantly improve the mean squared error (MSE) of the classical maximum likelihood estimator which only uses data set from the target population. It also increases the power for hypothesis testing. The proposed estimator is shown to be consistent and asymptotically normally distributed in the framework of generalized linear models. The advantage of the proposed weighted likelihood estimator for linear models is illustrated numerically by a simulation study. A real data example is also provided.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».