State-space models with GARCH errors: application to health data
Notice bibliographique
Résumé
State-space models are used to study non-stationary data.However, in the presence on non-Gaussian error terms the standard state-space model does not apply.We investigate the properties of univariate and multivariate state-space models under conditional heteroskedasticity and multiple structural breaks.This allows us to extend the standard state-space models to heavy tailed data and allow for dynamic parameters.We develop a Gibbs sampling algorithm to carry out Bayesian inference on the parameters and the latent state vector.Finally, we carry out an empirical study on ICU data.We find that our models are better able to capture the variation in the data than the standard state-space models.iii ABR ÉG É Les modèles d'espace d'ètats sont utilisés pour étudier des données non stationnaires.Cependant, en présence de termes d'erreur non gaussiens, le modèle d'espace d'états standard ne s'applique pas.Nous étudions les propriétés des modèles univariés et multivariés d'espaceétat sous hétéroskédasticité conditionnelle et fractures structurelles multiples.Cela nous permet d'étendre les modèles d'espace d'états standard aux données à queue lourde et de prendre en compte les paramètres dynamiques.Nous développons un algorithme d'échantillonnage de Gibbs pour réaliser l'inférence bayésienne sur les paramètres et le vecteur d'état latent.Enfin, nous menons une étude empirique sur les données de l'unité de soins intensifs.Nous constatons que nos modèles sont mieux à même de rendre compte de la variation des données par rapport aux modèles despace à états standard.
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 | 0,007 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».