Robust Small-Sample Inference for Fixed Effects in General Gaussian Linear Models
Notice bibliographique
Résumé
Although asymptotically, the empirical covariance estimator is consistent and robust with respect to the selection of the working correlation matrix, when the sample size is small, its bias may not be negligible. This article proposes a small sample correction for the empirical covariance estimator in general Gaussian linear models. Inference for the fixed effects based on the corrected covariance matrix is also derived. A two-way analysis of variance (ANOVA) model with repeated measures, which evaluates the effectiveness of a CB1 receptor antagonist, and a four-period crossover design, which assesses the treatment effect in subjects with intermittent claudication, serve as examples to illustrate the proposed and other investigated methods. Simulation studies show that the proposed method generally performs better than other bias-correction methods, including Mancl and DeRouen (2001 Mancl , L. A. , DeRouen , T. A. ( 2001 ). A covariance estimator for GEE with improved small-sample properties . Biometrics 57 : 126 – 134 .[Crossref], [PubMed], [Web of Science ®] , [Google Scholar]), Kauermann and Carroll (2001 Kauermann , G. , Carroll , R. J. ( 2001 ). A note on the efficiency of sandwich covariance matrix estimation . Journal of the American Statistical Association 96 : 1387 – 1396 .[Taylor & Francis Online], [Web of Science ®] , [Google Scholar]), and Fay and Graubard (2001 Fay , M. P. , Graubard , B. I. ( 2001 ). Small-sample adjustments for Wald-type tests using sandwich estimators . Biometrics 57 : 1198 – 1206 .[Crossref], [PubMed], [Web of Science ®] , [Google Scholar]), in the investigated balanced designs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,108 | 0,382 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».