Evaluation of smoothing in the context of generalized linear mixed models
Bibliographic record
Abstract
Les modèles de régression non-paramétriques continuent de recevoir plus, et sont de plus en plus valorisés en raison des avancées de la méthodologie statistique et des logiciels de calcul depuis les trois dernières décennies. Ces méthodes utilisent des formes fonctionnelleslissées et flexibles des prédicteurs pour décrire la dépendance de la moyenne des réponses pour un ensemble de covariables. La forme de la courbe lisse est directement estimée par les données. Tandis que plusieurs méthodes alternatives sont disponibles pour cette modélisation, les splines pénalisées (P-splines) sont un outil de lissage puissant et facilement applicable qui restreint l'influence des noeuds dans les régressions par spline. Les P-splines peuvent être considérées comme un cas spécial de modèles linéaires mixtes généralisés (GLMMs). Pour obtenir une fonction lisse, nous pouvons utiliser un GLMM pour rétrécir les coefficients de régression des noeuds de la régression par spline vers zéro en les incluant en tant qu'effets aléatoires. De tels modèles sont appelés «modèles mixtes semi-paramétriques» (SPMMs). Le principal avantage de cette approche est que le paramètre de lissage, qui contrôle la balance entre le biais et la variance, peut être estimé avec les données directement. De plus, nous pouvons prendre pleinement avantage des méthodes et logiciels existants pour les GLMMs. Cette thèse aborde plusieurs problèmes méthodologiques non-résolus liés à l'implémentation des SPMMs, spécialement pour les réponses dichotomiques. Tout d'abord, la meilleure façon d'estimer des courbes de régression flexibles lorsque les réponses sont corrélées et dichotomiques n'est pas claire, spécialement lorsque la taille des grappes est petite et que les hypothèses sur le modèle sont violées. À cet égard, dans le premier manuscrit, je compare la performance de méthodes basées sur la vraisemblance et les méthodes Bayésiennes pour estimer un SPMM pour des données dichotomiques corrélées. J'examine également l'effet de la concuvité (similaire à la multicollinéarité dans une régression linéaire) entre les covariables sur les estimés des composantes des SPMMs. Ensuite, même s'il est évident que les SPMMs ont très bien permis la recapture des courbes réelles, il reste néanmoins pas clair, l'effet du lissage des courbes par les SPMMs sur les estimés de paramètres de corrélation et de variance lors de l'analyse de données longitudinales sur-dispersées et corrélées en séries.Dans le deuxième manuscrit, j'étends l'utilisation du SPMM dans l'analyse des données longitudinales sur-dispersées et corrélées en séries et systématiquement, j'évalue l'effet de lissage par les SPMMs sur les estimés de paramètres de corrélation et de variance.Je compare également la performance des SPMMs à d'autres méthodes plus simples pour estimer une association non-linéaire telles que les polynômes fractionnels, et en utilisant une fonction non-linéaire paramétrique. Finalement, dans le troisième manuscrit, je vérifie si la performance des courbes estimées par les SPMMs peut être améliorée en utilisant une pénalité absolue de type LASSO sur les changements dans l'estimation aux noeuds dans les régressions par spline plutôt qu'en utilisant une typique pénalité «ridge». Toutes ces méthodes sont également appliquées à plusieurs jeux de données réels.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.011 | 0.020 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".