Measurement Error Modelling with an Approximate Instrumental Variable
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Summary Consider using regression modelling to relate an exposure (predictor) variable to a disease outcome (response) variable. If the exposure variable is measured with error, but this error is ignored in the analysis, then misleading inferences can result. This problem is well known and has spawned a large literature on methods which adjust for measurement error in predictor variables. One theme is that the requisite assumptions about the nature of the measurement error can be stronger than what is actually known in many practical situations. In particular, the assumptions that are required to yield a model which is formally identified from the observable data can be quite strong. The paper deals with one particular strategy for measurement error modelling, namely that of seeking an instrumental variable, i.e. a covariate S which is associated with exposure and conditionally independent of the outcome given exposure. If these two conditions hold exactly, then we call S an exact instrumental variable, and an identified model results. However, the second is not checkable empirically, since the actual exposure is unobserved. In practice then, investigators typically seek a covariate which is plausibly thought to satisfy it. We study inferences which acknowledge the approximate nature of this assumption. In particular, we consider Bayesian inference with a prior distribution that posits that S is probably close to conditionally independent of outcome given exposure. We refer to this as an approximate instrumental variable assumption. Although the approximate instrumental variable assumption is more realistic for most applications, concern arises that a non-identified model may result. Thus the paper contrasts inferences arising from the approximate instrumental variable assumption with their exact instrumental variable counterparts, with particular emphasis on the benefit of basing inferences on a more realistic model versus the cost of basing inferences on a non-identified model.
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.
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 | 0,012 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle