Comparison of various modeling approaches in the analysis of longitudinal data with a binary outcome: The Ontario Mother and Infant Study (TOMIS) III
Notice bibliographique
Résumé
Background: Longitudinal studies are often used to investigate the developmental trends of outcomes over time. Several modeling strategies can be applied for the analyses of longitudinal data. In this study, various statistical approaches were discussed and compared using data from The Ontario Mother and Infant Study (TOMIS) III. TOMIS III was a longitudinal cohort study that assessed the associations between the method of delivery and health outcomes and service utilizations. The primary outcome of postpartum depression was used as an example. Methods: Generalized estimating equations (GEE) assuming a serial correlation structure were used as the primary method of analysis to assess the association between the method of delivery and postpartum depression over 12 months. We performed sensitivity analyses using three other methods – namely, the (1) generalized linear mixed-effects model (GLMM), (2) hierarchical generalized linear model (HGLM), and (3) Bayesian hierarchical model (BHM), to compare the robustness of the results. Results: The results from all four models indicated that the method of delivery had no significant effect on postpartum depression. However, GEE, GLMM, and BHM identified the following seven predictors of depression: annual household income; urinary incontinence (bladder problems); English or French (Canada's official languages) spoken at home; a lower SF-12 mental component score; unmet learning needs in the hospital; lower social support; and a lower SF-12 physical component score. HGLM showed similar results to the above three models with the exception of language spoken at home, which was not significant. GEE provided the good fit statistics for the data. Conclusion: Method of delivery had no significant effect on postpartum depression, based on GEE analysis. This result remained robust under different methods of analyses. GEE demonstrated a good fit for the TOMIS III data. Keywords: longitudinal data, generalized estimating equations, hierarchical model, TOMIS
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 | 0,116 | 0,124 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,007 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».