An imputation based empirical likelihood approach to pretest–posttest studies
Notice bibliographique
Résumé
Abstract Pretest–posttest studies are an important and popular method for assessing treatment effects or the effectiveness of an intervention in many areas of scientific research. There are two distinct features for this type of study: availability of baseline information for all subjects in the study and missingness by design of measures of the responses. Important recent research advances on this topic include Leon et al. (2003) on efficient estimation of the treatment effect, and Huang et al. (2008) on a semi‐parametric estimation procedure based on empirical likelihood (EL) where the mean responses for the treatment group and the control group are handled separately. EL ratio confidence intervals or tests for the treatment effect, however, cannot be constructed under the approach used by Huang et al. (2008). In this paper, we use an alternative EL formulation, which directly involves the parameter of interest, i.e., the treatment effect, and incorporates baseline information through an imputation approach. Our focus is to derive the EL ratio confidence intervals and tests for the treatment effect under the proposed imputation‐based framework. Theoretical results are developed, and finite sample performances of the proposed methods with comparison to existing approaches are investigated through simulation studies. An application to a real data set is also presented. The Canadian Journal of Statistics 43: 378–402; 2015 © 2015 Statistical Society of Canada
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».