Manuscrit auteur, publié dans "41èmes Journées de Statistique, SFdS, Bordeaux (2009)" Une analyse bayésienne d’hydrologie fréquentielle selon un modèle de copule bivariée
Bibliographic record
Abstract
Dans plusieurs secteurs de la statistique appliquée, comme l’hydrologie, l’analyse d’événements multivariés est d’un intérêt particulier. Les concepteurs de barrages doivent choisir la taille de leurs structures hydrauliques selon les débits des rivières qui augmentent pendant les inondations de printemps. L’inondation est le plus souvent caractérisée par trois quantités principales: le débit de pointe, le volume et la durée. Comme ces variables sont dépendantes, trois analyses univariées exécutées d’une manière indépendante ne sont pas capables de proposer une évaluation complète de la probabilité d’un événement dommageable rare. De plus une analyse monovariée peut mener ou à une sous-estimation du risque(De Michele et al., 2005). Nous analysons 47 années de couples pointe-volume de crues de la rivière Romaine au Québec à l’aide d’un modèle paramétrique de copule. Les marges sont modélisées soit par une loi gamma ou normale, et la dépendance par une famille paramétrique de copules (Arch12 et Clayton). L’inférence et la sélection de modèles sont alors réalisées sous la perpective bayésienne. Cette approche permet naturellement de s’appuyer sur la théorie de la décision statistique (Berger, 1985) au moyen de l’optimisation d’une fonction de coût, ce qui présente un intérêt particulier en ingéniérie
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 | 0.008 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.020 | 0.006 |
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".