XiaoMi-AI文件搜索系统
World File Search Systemcovariates
预测气候协变量对埃塞俄比亚风能的影响
摘要：本研究探讨了埃塞俄比亚风速与风速的气候协变量和空间元素的相互作用。它打算使用气象数据集在未观察到的空间点上推断风的潜在斑点。我们应用了一个组合的动态空间面板自回归随机效应模型，其位置的空间重量是空间重量。这种空间重量优于其他空间权重以捕获空间依赖性并提高有效估计。结果描述的是，平均风速在经度范围和纬度跨度上有所不同，受气候协变量的影响，并在一年中的几个月中波动。风速强度沿该地区的中部，东部和东北部高。在2月，3月，6月和7月相对于9月和10月的几个月中也很高。证据表明，夏季和春季风速较高，但在冬季和秋季季节相对较低。这意味着风速主要是在雨季结束和开始之前的风速很高。模型估计还表明，平均风速在相邻站点和时间点之间在空间上相关。特别是，平均风速随海拔和温度而增加，但随着降水的增加而降低。阳光级分和相对湿度具有负面影响，但它们的影响在统计学上并不显着，p = 0.2496和p = 0.4484。总而言之，建议使用这些方法来预测显示随机过程的数据。关键字：贝叶斯推论；动态空间面板自回归模型，预测，
药物和生物制品随机临床试验中协变量的调整
I. 引言 本指南介绍了 FDA 目前关于在药物开发计划中的随机临床试验统计分析中调整协变量的建议。本指南为在随机平行组临床试验分析中使用协变量提供了建议，这些建议适用于优效性试验和非劣效性试验。本指南主要关注如何使用预后基线协变量 3 来提高估计和检验治疗效果的统计效率。本指南不涉及在非随机试验中使用协变量来控制混杂变量、在模型中使用协变量来解释缺失的结果数据（美国国家研究委员会，2010 年）、使用协变量调整来分析纵向重复测量数据、使用贝叶斯方法进行协变量调整或使用机器学习方法进行协变量调整。一般而言，FDA 的指导文件并未规定具有法律强制力的责任。相反，指南描述了机构当前对某个主题的想法，除非引用了特定的监管或法定要求，否则应仅将其视为建议。机构指南中使用的“应该”一词意味着建议或推荐某事，但不是要求。
定量可靠性和弹性...
•证明了配备有国防措施并受到对抗性攻击的ML模型的定量可靠性和弹性评估方法的适用性。Results • Software reliability growth models incorporating covariates more accurately track and predict the number of defects detected than models without covariates • Resilience models considering negative and positive factors characterizing the deterioration and recovery of a system are also able to precisely track and predict the resilience of defensive measures for ML subject to specific attacks Future research • Explore the application of these models to cyber-physical systems • Incorporate these reliability and resilience models进入维护模型
BPCI高级目标价格规格模型3
对于与BPCI高级模型时间段重叠的所有临床发作有关，请建立一组相关的患者和同伴组特征，以合并到临床发作级别文件中。请注意，在风险调整模型的第1阶段中，如果二进制协变量在基线期间少于21个临床事件为零，或者在基线期间少于21个临床发作，则在基准时期内将其从风险调整模型中删除，则如果没有相关的协方差（如果是二进制协调），则该模型是不存在的（如果没有相关的coiat efer），则该模型是相关的（如果是二进制的组合），则该模型（如果是相似的组合）。床尺寸）。风险调整模型捕获趋势群体之间的协变量捕获模型捕获水平差异的第2阶段差异。第2阶段中的协变量集对低容量的同伴组和临床发作类别进行了略微修饰。
上下文的价值：人与黑匣子评估者
机器学习算法现在能够执行先前由人类专家进行的评估（例如，医学诊断）。我们应该如何概念化人类评估和算法之间的差异，以及一个人何时偏爱另一个人？我们提出了一个框架，以检查两种评估形式之间的一个关键区别：机器学习算法是标准化的，修复了一组共同的协变量，以评估所有个人，而人类评估者则自定义了哪些协方差将获得每个人的协变量。我们的框架在具有高维数据的环境中定义和分析了这种自定义的优势（上下文的价值）。我们表明，除非代理对协变量的联合分布有精确的知识，否则其他协变量的好处通常超过上下文的价值。
使用MSTATE软件包的骨髓移植的多状态模型
在本演讲中，我将解决与协变量的多州模型中产生的两个问题。首先与如何在协变量效应的建模中获得简约有关。在多状态模型中纳入协变量的标准方式是将过渡视为单独的构件，并分别通过分别通过对过渡危险的比例危害模型对协变量的效应进行建模。这通常会导致大量的回归系数估计，并且存在过度拟合的真正危险，尤其是在发生事件很少的过渡时。我们建议使用降低的等级模型来解决此问题。
气候对营养不良和儿童食品贫困的影响
2 METHODS ....................................................................................................................................... 3 2.1 Survey Population and Design ............................................................................................ 3 2.2 Data Sources ...................................................................................................................... 3 2.3 Outcomes Variables .......................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
大型语言模型可以估计公众对全球变暖的看法吗？算法保真度和偏见的经验评估
大型语言模型（LLM）可用于估计人类的态度和行为，包括公众舆论的衡量标准，这一概念称为算法忠诚度。本研究评估了LLMS在估计有关全球变暖的公众舆论时的算法忠诚度和偏见。llms是根据人口统计和/或心理协变量来进行调查反应的条件。的调查结果表明，LLM可以有效地再现总统投票行为，而不是全球变暖意见，除非包括相关的协变量。在以人口统计和协变量为条件的情况下，GPT-4表现出改善的准确性，在预测对全球变暖的信念和态度方面，范围从53％到91％。此外，我们发现了一种算法偏见，低估了黑人美国人的全球变暖意见。在强调LLMS有助于社会科学研究的潜力时，这些结果强调了调节，模型选择，调查问题格式和偏见评估的重要性。
机器可以学习弱信号吗？
在回归分析中，具有非零系数的协变量被认为是真实信号，而系数为零的协变量被认为是错误信号。在人口模型中，这种区别是明确的，类似于“黑白”场景。然而，在有限样本中，微小的非零系数的存在引入了“灰色”区域，模糊了真和假信号之间的界线。1这个灰色区域代表弱信号，可以对结果变量产生可忽略的影响。对弱信号的调查对经济和财务决策具有切实的影响。通常，这些弱信号的集体影响推动了这些领域的结果。支持这一点，图1提供了一种经验的观点，展示了R 2值，从经济学和金融杂志汇编中收集了2022年发表的文章。这些R 2值的25％分位数的经济学为9.7％，金融为5.8％，这表明这些学科的模型经常依赖于具有适度解释力的协变量。此外，图1仅着眼于已发表的论文，这些论文可能偏向于由于选择偏差而引起的R 2值的研究。这表明弱信号的存在可能比这里指出的数据更为广泛。将弱信号纳入回归模型中的决定充满了过度拟合的危险，这会破坏预测性能。当与估计这些弱信号的系数相关的错误大于减少其包容性偏见的好处时，就会出现此问题。包括这些变量，或者不从而取决于偏见和差异之间的权衡。加剧了这一挑战是在数据丰富的环境中经常遇到的高维协变量的越来越多的流行率，这是由于样本量相对于协方差的维度而言，这种情况可能会进一步加剧预测错误。机器学习方法以强调可变选择和降低尺寸而闻名，已被证明有效地减轻了过度拟合和检测错误信号的真实信号，尤其是当真实信号很强时。这些方法采用正则化技术，例如惩罚模型参数的ℓ1或ℓ2规范，以实现这一目标。出现一个关键的问题：机器可以学习弱信号，换句话说，它们是否可以超过天真的零估计器？零估计器旨在忽略所有协变量，在弱信号的背景下用作被动基线。如果估算器设法超过了这一基线，则意味着它有效地学习了有价值的信号。相反，未能