Estimation of relative risk and prevalence ratio
Notice bibliographique
Résumé
Relative risks (RRs) and prevalence ratios (PRs) are measures of association that are more intuitively interpretable than odds ratios (ORs). Many health science studies report OR estimates, however, even when their designs permit and study questions target RRs and/or PRs. This is, partially, attributable to the popularity and technical advantage (i.e. no restriction on the parameter space) of logistic regression for estimating ORs. To improve this practice, several biostatistical approaches for estimating RR/PR, adjusting for potential confounders, have been proposed. In this paper, we consider two RR/PR estimating methods: (1) the modification of log-binomial regression with the COPY method; and (2) an inverse-probability-of-treatment-weighted (IPTW) log-binomial regression we newly propose. For the COPY method, we rigorously establish the existence and uniqueness of the maximum-likelihood estimator, provided certain degeneracies in the data do not occur. Moreover, the global maximum of the COPY-modified likelihood is shown to occur at an interior point of the restricted parameter space. This result explains why the COPY method avoids convergence problems of log-binomial models frequently. For the IPTW estimator, we show that its simple procedure results in standardized estimates of RR/PR, and discuss its potential challenges, extensions, and an improvement through propensity-score-based grouping of observations. Furthermore, we compare the performances of four RR/PR estimation methods, including the COPY method and IPTW log-binomial regression, on simulated data. We demonstrate a lack of robustness of the COPY method against misspecification of the true relationship between binary outcome and explanatory variables, and show robustness of the IPTW approach in this regard.
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 | 0,012 |
| 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 ».