Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Dados 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 adotamos 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.
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 | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| 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 it