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 G Les modles d'espace d'tats sont utiliss pour tudier des donnes non stationnaires.Cependant, en prsence de termes d'erreur non gaussiens, le modle d'espace d'tats standard ne s'applique pas.Nous tudions les proprits des modles univaris et multivaris d'espacetat sous htroskdasticit conditionnelle et fractures structurelles multiples.Cela nous permet d'tendre les modles d'espace d'tats standard aux donnes queue lourde et de prendre en compte les paramtres dynamiques.Nous dveloppons un algorithme d'chantillonnage de Gibbs pour raliser l'infrence baysienne sur les paramtres et le vecteur d'tat latent.Enfin, nous menons une tude empirique sur les donnes de l'unit de soins intensifs.Nous constatons que nos modles sont mieux mme de rendre compte de la variation des donnes par rapport aux modles despace tats 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 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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».