Modelos paramétricos para dados categóricos com aplicações
Bibliographic record
Abstract
Este trabalho aborda a análise de dados espaço-temporais através da metodologia Bayesiana e de modelos lineares generalizados. A característica dos efeitos aleatórios espaciais é modelada através do modelo condicional auto-regressivo intrínsico (CAR) e do modelo condicional auto-regressivo próprio (PCAR). A característica temporal dos dados é modelada através de estrutura linear aditiva, suavização com B-spline sem intercepto e modelo auto-regressivo de primeira e segunda ordens. É realizada análise de dados reais que correspondem a cinco conjuntos de observações. A primeira envolve o conjunto de dados dos efeitos adversos pós-vacinação notificados no período de 2005 a 2010, nos estados brasileiros, utilizado no trabalho de Perin (2014). A segunda aplicação analisa o conjunto de dados de óbitos infantis (com menos de um ano de idade) por residência nos estados brasileiros entre 1991 e 2013 (fonte MS/SVS/DASIS - Sistema de Informações sobre Mortalidade) usados em Silva e Dean (2006). A terceira aplicação corresponde ao conjunto de pacientes do sexo masculino hospitalizados com infarto do miocárdio na província de Québec entre os anos de 1993 e 2000, utilizados em Silva et al. (2008). A quarta aborda o conjunto de dados sobre a incidência da radiação solar disponíveis no USA National Solar Radiation Data Base (NSRDB) em períodos mensais entre janeiro de 1960 a dezembro de 2010, utilizados no trabalho de Pumi et al. (2015). A quinta aplicação apresenta o indicador de resistência a 13 diferentes antibióticos para a bactéria Salmonella Typhimurium DT104 com sequências de DNA obtidas a partir de animais e humanos na Escócia no período de 1990 a 2011, utilizados nos trabalhos Cybis et al. (2015) e Mather et al. (2013). São realizados estudos de simulação com o enfoque clássico com base nos métodos shrinkage (ridge, lasso e elastic-net). Apresentamos, também, estudos sobre a ocorrência de Ilhas de CpG e sobre a proteína citoplasmática p53 com base em sequências de DNA de alguns seres vivos e da proteína p53 de pessoas com câncer.
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 | 0.021 | 0.082 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.005 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.004 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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".