On the efficiency of testing procedures in the linear model for multivariate longitudinal data
Notice bibliographique
Résumé
Multivariate data collected over time on the same experimental unit, referred to as multivariate longitudinal data, are typical of many agricultural, biological, clinical and medical studies. One way to account for the correlations that exist both within and across time is to express the variance-covariance matrix as the Kroneeker product of two matrices. These matrices, denoted by [Delta] and [Omega], reflect the characteristic and time dimensions underlying multivariate longitudinal data. The purpose of this thesis is to investigate the asymptotic relative efficiency (ARE) of hypothesis tests in the linear model for multivariate longitudinal data, evaluated through the trace asymptotic relative efficiency (TARE) and curvature asymptotic relative efficiency (CARE). The gain in efficiency from exploiting a Kronecker product covariance structure when it is appropriate is investigated. To estimate the TARE and CARE, a Monte-carlo simulation study is conducted. The loss of efficiency from imposing a Kronecker product model when it is not appropriate is also considered. Using a class of non-Kroneeker product covariance matrices and an index, which quantifies how far a given matrix departs from Kronecker product structure, a Monte-carlo simulation study is conducted. Ordinary least squares and generalised least squares procedures were also compared under a Kronecker product model. For the designs and covariance matrices considered, the gain in efficiency from exploiting the Kronecker product covariance structure is most pronounced when there is high correlation across time. For the class of non-Kronecker product covariance matrices defined, a noticeable loss of efficiency occurs when the covariance matrix is far from Kronecker product structure, in particular when there is a moderate departure from the null hypothesis under consideration. The use of ordinary least squares, which ignores cross-sectional and longitudinal correlations, is shown to be inefficient, especially when these correlations are high in absolute value.
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 | 0,136 | 0,470 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».