Analyse factorielle d'opérateurs et application au mouvement des revenus et dépenses du gouvernement fédéral canadien par province
Bibliographic record
Abstract
L'objet de ce mémoire est de présenter les outils de l'analyse factorielle d'opérateurs, le tout étayé d'une application sur des données économiques. Après avoir brièvement survolé les espaces et modèles de base en analyse des données, nous nous penchons donc plus en profondeur sur l'analyse factorielle d'opérateurs et plus particulièrement sur la méthode STATIS (introduite par Y. Escouffier et H. L'Hermier des Plantes et développé [i.e. développée] par C. Lavit [10]). Une application sur les données des comptes publics canadiens de 1981 à 1998 stratifiés par province nous permet par la suite d'illustrer l'utilité de ces outils d'analyse par le biais de l'étude de l'interstructure entre tableaux, l'analyse de l'intrastructure du tableau compromis et finalement l'étude des trajectoires des provinces (nommés individus). Ce mémoire s'adresse, entre autre [i.e. autres], aux économistes qui y découvriront, et c'est là notre souhait, un nouvel outil d'analyse exploratoire des données extrêmement efficace.
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 | 0.004 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.005 | 0.007 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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 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".