Impact of misspecifying spatial exposures in a generalized additive modeling framework: with application to the study of the dynamics of Comandra blister rust in British Columbia
Notice bibliographique
Résumé
In environmental and epidemiological studies, the nearest distance between the susceptible subject and the exposure source is a commonly used exposure measure, principally because this measure is easy to collect; more recently, the density of the exposure has been considered as a measure of exposure. However, no study has ever quantitatively compared nearest distance and density of exposures in any field. In particular, in the field of forestry, few studies have accounted for density‐based exposure measures to disease pathogen, mostly due to the difficulty of measuring the spatial locations of disease host plants. Misspecification of exposure measures may result in inaccurate determinations of the link between exposure and the response of interest. Such considerations are motivated by the study of the disease dynamics of Comandra blister rust ( Cronartium comandrae ) on lodgepole pine. This disease spreads to pine trees through alternate host plants near the trees. We aim at understanding the relationship between the alternate host plant presence and the disease, as well as effects relating to genetic variation in the trees. We contrast the use of nearest distance to the alternate host plant, with host plant densities at different orders of neighborhood, as exposure measures, in the framework of a flexible semi‐parametric generalized additive model, while adjusting for a spatially smooth surface. We demonstrate that if exposure is inaccurately modeled, then bias in estimating genetic effects may manifest themselves and larger predictive error may be induced. Copyright © 2013 John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».