Comparison of imputation methods for interval censored time‐to‐event data in joint modelling of tree growth and mortality
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
Abstract The authors link time‐to‐event models with longitudinal models through shared latent variables when the time of the event of interest is known only to lie within an interval. The context of tree growth and mortality studies presents a natural application of shared parameter joint modelling where a latent feature of each tree impacts both mortality and growth. The authors' developments are motivated by such an application, with the additional caveat that event‐times are not known exactly, since the trees are subject to intermittent observation, with the time between measurements extending into decades or longer. Such interval censoring is a common occurrence in similar long‐term experiments in resource management, ecology and health research. The additional numerical complexity resulting from interval censored time‐to‐event data often makes inference for joint models prohibitive. The authors examine properties of three event‐time imputation methods that enable application of now standard joint modelling techniques to interval censored time‐to‐event data. The imputation techniques include the midpoint method, a kernel smoothing method, and a backsolve method which incorporates information from the longitudinal trajectory. Joint analysis of a designed, long‐term, forestry experiment is presented, accompanied by a simulation study investigating the properties of the three event‐time imputation techniques. The Canadian Journal of Statistics 39: 438–457; 2011 © 2011 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.
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 | 0,002 | 0,005 |
| 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 | 0,000 |
| 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 découle