Bibliographic record
Abstract
Dedico este trabalho a meus pais, Patricia Vásquez e Antonio Morán. ResumoDados positivos multivariados aparecem com frequência em diversas áreas de estudo.A transformação de Box-Cox multivariada é uma metodologia habitualmente utilizada para modelar esse tipo de dados.Essa abordagem apresenta algumas desvantagens, como por exemplo a falta de interpretação dos parâmetros em termos de características do vetor de variáveis originais.Neste trabalho estudamos a classe de distribuições Box-Cox elípticas, que é uma alternativa para a modelagem de dados positivos multivariados através da transformação de Box-Cox multivariada.Definimos essa classe através de uma extensão da transformação de Box-Cox multivariada, e envolvendo uma nova classe de distribuições que denominamos de classe de distribuições elípticas truncadas, que também estudamos neste trabalho.A classe de distribuições Box-Cox elípticas tem como casos particulares as classes de distribuições log-elípticas e Box-Cox simétricas.Os parâmetros que conformam esta nova classe são interpretáveis em termos de características do vetor de variáveis originais, o que permite modelar dados positivos multivariados, marginalmente assimétricos e com presença de observações discrepantes.Além disso, alguns parâmetros estão relacionados a quantis das distribuições marginais, tornando esta classe atrativa para modelagem de regressão.Para abordar o problema de estimação dos parâmetros propomos o método de máxima verossimilhança.Estudamos aspectos teóricos e computacionais associados a essa metodologia, cuja adequação é verificada por meio de estudos de simulação.Posteriormente, desenvolvemos modelos de regressão lineares Box-Cox elípticos, que têm como casos particulares os modelos de regressão lineares log-elípticos e Box-Cox simétricos, que, por sua vez, também constituem uma nova contribuição à literatura estatística.Descrevemos o método de máxima verossimilhança aplicado a estes modelos e propomos métodos de diagnóstico para avaliar ajustes dos modelos de regressão lineares log-normal e log-t multivariados.Apresentamos aplicações das distribuições Box-Cox elípticas e dos modelos de regressão lineares Box-Cox elípticos a dados reais.
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 | 0.013 | 0.030 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 0.003 |
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".