Combined composite likelihoods
Notice bibliographique
Résumé
Composite likelihood is a particular pseudo-likelihood built by adequately combining likelihoods based on lower dimensional events. It appears to be a very appealing alternative to the standard likelihood when the latter is too time-consuming to evaluate or unavailable due to a complex, and possibly unknown, structure of dependence in the data. After the brief ntroduction in the first chapter, Chapter 2 gives notation and basic definitions, but also states a condition for full efficiency of the maximum composite likelihood estimator in exponential families. \nThe core of the thesis is Chapter 3, where we explore a linear combination of two types of composite likelihood which leads to a new objective function that depends on a constant to be chosen. In particular, this new combined composite likelihood uses both bivariate margins and univariate margins. Exact and asymptotic properties are explored. The exact properties lead to the identification of a possible strategy for finding the range of admissible values for the constant. The resulting estimator enjoys desirable asymptotic properties such as consistency and asymptotic normality. Two examples are analyzed in details, also through simulation studies. \nChapter 4 studies a weighted independence likelihood in a prediction framework. The aim of this chapter is to determine the weights in order to get an improved prediction of a component of interest of the data vector. In particular, the weights are calculated by means of a delete-one approach in a cross-validation procedure. Through simulation studies, situations in which the weighted independence likelihood works well with respect to the standard independence likelihood are highlighted
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».