Bibliographic record
Abstract
La présence d’erreurs sur les variables biaise l’estimateur des moindres carrés ordinaires (MCO). Nous présentons deux nouveaux estimateurs robustes en présence d’erreurs de mesure. Ces estimateurs ont la qualité d’être beaucoup moins erratiques que leurs homologues classiques : les estimateurs de Durbin et de Pal. Ces nouveaux estimateurs sont basés sur les moments échantillonnaux d’ordre supérieur à deux. Ces estimateurs peuvent être considérés comme des types spéciaux d’estimateurs à variables instrumentales, où les instruments contiennent les variables explicatives élevées à des puissances particulières. La performance de ces nouveaux estimateurs est évaluée à partir d’une enquête canadienne sur les finances des consommateurs. Des simulations de Monte Carlo sont également effectuées et elles démontrent que les biais présentés par nos nouveaux estimateurs sont moindres que ceux associés à l’estimateur des moindres carrés ordinaires. Les estimateurs développés dans cet article participent de la nature des estimateurs de la méthode des moments généralisés (GMM) dont la popularité ne cesse de grandir. L’économétrie financière pourrait grandement bénéficier de nos nouveaux estimateurs en les appliquant à des modèles fort connus, tel le CAPM où le portefeuille du marché, qui est à la base de la vérification empirique de ce modèle, est empreint d’erreurs de mesure importantes. Les mesures de la prime de risque qui lui sont associées pourraient donc être corrigées à l’aide de nos estimateurs, cela dans le cadre de la méthode des GMM. Enfin, nous présentons une application financière où nous appliquons un des estimateurs afin d’estimer le bêta de marché, celui-ci entrant dans la formule du coût moyen du capital (WACC) que nous avons calculé et comparé à la méthode classique des MCO. Dans cette nouvelle application, nous trouvons que l’estimation du paramètre augmente significativement, ce qui est en accord avec certains faits empiriques.
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 | 0.025 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.008 |
| Scholarly communication | 0.002 | 0.005 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| 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; both teacher heads agree on what is shown here.
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".