Essays on numerically efficient inference in nonlinear and non-Gaussian state space models, and commodity market analysis.
Notice bibliographique
Résumé
The first two articles build procedures to simulate vector of univariate states\nand estimate parameters in nonlinear and non Gaussian state space models. We\npropose state space speci fications that offer more flexibility in modeling dynamic\nrelationship with latent variables. Our procedures are extension of the HESSIAN\nmethod of McCausland[2012]. Thus, they use approximation of the posterior density\nof the vector of states that allow to : simulate directly from the state vector\nposterior distribution, to simulate the states vector in one bloc and jointly with the\nvector of parameters, and to not allow data augmentation. These properties allow\nto build posterior simulators with very high relative numerical efficiency. Generic,\nthey open a new path in nonlinear and non Gaussian state space analysis with\nlimited contribution of the modeler.\nThe third article is an essay in commodity market analysis. Private firms coexist\nwith farmers' cooperatives in commodity markets in subsaharan african countries.\nThe private firms have the biggest market share while some theoretical models predict\nthey disappearance once confronted to farmers cooperatives. Elsewhere, some\nempirical studies and observations link cooperative incidence in a region with interpersonal trust, and thus to farmers trust toward cooperatives. We propose a model\nthat sustain these empirical facts. A model where the cooperative reputation is a\nleading factor determining the market equilibrium of a price competition between\na cooperative and a private firm
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 | 0,006 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».