L’estimation de modèles de régression linéaire autorégressifs avec erreurs résiduelles autocorrélées et erreurs sur les variables
Bibliographic record
Abstract
Nous présentons, pour des modèles de séries chronologiques, une méthode d’estimation qui tient compte de la présence d’erreurs de mesure sur les données, lorsque ces erreurs ne sont pas autocorrélées. L’approche suggérée utilise des valeurs décalées des variables indépendantes comme variables instrumentales. Nous employons l’estimateur convergent proposé par Fuller (1987) et comparons analytiquement les erreurs quadratiques moyennes de cet estimateur avec celles d’un estimateur similaire qui ne tiendrait pas compte des erreurs de mesure. Finalement, nous rapportons, à partir d’un échantillon de 150 observations, les résultats d’études de Monte Carlo sur ces deux estimateurs ainsi que sur un estimateur alternatif qui est une somme pondérée des deux premiers. Ces expériences montrent que l’estimateur alternatif semble relativement mieux se comporter. On constate également que l’inconvénient de la présence d’erreurs sur les variables n’est pas seulement de biaiser les estimateurs des coefficients ou d’accroître les erreurs quadratiques moyennes, mais également de sous-estimer considérablement le niveau des erreurs de type I des tests de signification.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.009 | 0.030 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".