A bootstrap procedure for parameter estimation in the spatio-temporal epidemic-type aftershock sequence model
Bibliographic record
Abstract
La version spatio-temporelle 2-D du modèle ETAS des répliques épidémiques est un outil de désagrégration des catalogues de données sur les séismes et de prévision des répliques à court terme. Le calcul de l'écart-type des estimations des paramètres de ce modèle est généralement fondé sur la matrice hessienne déduite de la log-vraisemblance. Lorsqu'un modèle ETAS est ajusté à des données locales, les écarts-types ainsi obtenus peuvent parfois s'avérer imprécis. Dans ce mémoire, le modèle ETAS a été ajusté à des données sismiques au large de la Colombie-Britannique. Une procédure de bootstrap paramétrique a été utilisée pour évaluer l'exactitude de l'écart-type des estimations. Il appert que la loi à taille finie de ces estimations n'est pas gaussienne et que, par conséquent, les écarts-types asymptotiques ne sont pas fiables. Pour montrer que la procédure bootstrap fournit des estimations d'écart-type et des intervalles de confiance fiables pour tous les paramètres du modèle, une étude de Monte-Carlo a été réalisée pour des valeurs de paramètres connues semblables à celles correspondant aux données réelles. Les effets de bord se sont avérés importants dans le temps et dans l'espace, tant pour la méthode bootstrap que dans l'étude de simulation. Après avoir modifié la procédure pour tenir compte de ces effets, une expérience de prévision rétrospective a été réalisée afin de prédire les répliques au large de l'île de Vancouver avant et après le séisme de magnitude 6.1 survenu le 22 octobre 2018. Finalement, les écarts-types asymptotique et bootstrap ont aussi été comparés, de même que les intervalles de confiance asymptotique et bootstrap (déduit des quantiles empiriques dans le second cas), en appliquant de façon répétitive la procédure bootstrap 1000 fois pour 40 simulations de type Monte-Carlo
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 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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 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".