Studying noncollapsibility of the odds ratio with marginal structural and logistic regression models
Notice bibliographique
Résumé
One approach to quantifying the magnitude of confounding in observational studies is to compare estimates with and without adjustment for a covariate, but this strategy is known to be defective for noncollapsible measures such as the odds ratio. Comparing estimates from marginal structural and standard logistic regression models, the total difference between crude and conditional effects can be decomposed into the sum of a noncollapsibility effect and confounding bias. We provide an analytic approach to assess the noncollapsibility effect in a point-exposure study and provide a general formula for expressing the noncollapsibility effect. Next, we provide a graphical approach that illustrates the relationship between the noncollapsibility effect and the baseline risk, and reveals the behavior of the noncollapsibility effect for a range of different exposure and covariate effects. Various observations about noncollapsibility can be made from the different scenarios with or without confounding; for example, the magnitude of effect of the covariate plays a more important role in the noncollapsibility effect than does that of the effect of the exposure. In order to explore the noncollapsibility effect of the odds ratio in the presence of time-varying confounding, we simulated an observational cohort study. The magnitude of noncollapsibility was generally comparable to the effect in the point-exposure study in our simulation settings. Finally, in an applied example we demonstrate that collapsibility can have an important impact on estimation in practice.
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 | 0,113 | 0,368 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».