Prediction of 2 × 2 tables of change from repeat cluster sampling of marginal counts
Notice bibliographique
Résumé
Repeat cluster sampling of a binary (0,1) attribute at time 1 (Y1) and time 2 (Y2) in a finite population of discrete units is considered. All clusters contain m units and a cluster provides the marginal count of ones and zeroes at the two time points only. From these counts, we seek to predict a 2 × 2 table of the rates of no change (π11 = E[Y1Y2], π00 = E[(1 Y1)(1 Y2)]) and change (π10 = E[Y1(1 Y2)], 01 = E[(1 Y1)Y2]). Two predictors are proposed; one is derived from the temporal correlation of marginal counts and the second from the odds ratio of no change that maximizes a (pseudo-) likelihood of a non-central, hypergeometric distribution. The bias of the first is positive when there is a positive intracluster correlation of Y1, Y2, and Y1Y2, while the bias of the second is negative when the odds ratio of no change is >1. A proposed combined estimator worked well in three examples of change analysis with paired, classified Landsat images of forest cover type and cluster sampling with 3 × 3 arrays of 30 m × 30 m units (pixels). 2 × 2 tables obtained from marginal counts were superior, in terms of mean absolute error, to estimates based on a direct unit-by-unit count when the time 2 image had a root mean square registration error of 0.5 pixel relative to the time 1 image. The proposed method is intended for settings where a direct unit-by-unit estimation of the 2 × 2 table is either compromised or when data (by design) consist of marginal counts from a repeat cluster sampling.
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 | 0,006 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».