Full Bayes Approach to Before-and-After Safety Evaluation with Matched Comparisons: Case Study of Stop-Sign In-Fill Program
Notice bibliographique
Résumé
The full Bayes (FB) approach has recently been proposed for evaluating road safety treatments in before-and-after studies. In recognition of the advantages of the FB method and because of the lack of sufficient data to develop the safety performance function necessary to conduct an empirical Bayes study, the FB approach is used to determine the effectiveness of the Stop-Sign In-Fill (SSIF) program of the Canadian Insurance Corporation of British Columbia. The SSIF program funds the conversion from uncontrolled residential intersections to two-way stop-controlled intersections in an alternating pattern. This alternating pattern provides consistency in the application of stop signs within a residential neighborhood. Different modeling formulations for the before-and-after evaluation were investigated, and the results were compared with those of the traditional approach. No postprocessing of the results is required to achieve the odds ratio. The FB analysis revealed an overall significant reduction in predicted collision frequency of 51.1% with the credible interval (36.8%, 62.3%) at the 0.95 confidence level. It was also found that incorporating such design features as matched yoked comparison groups in collision prediction models may significantly improve the fit, while reducing the need to account for overdispersion. The results of the traditional technique were compatible with those of the FB approach at the overall level. It seems that the random selection of sites, which reduces the regression-to-the-mean effect, is the reason that both approaches gave relatively similar overall level results. However, the two methods produced quite different results at the zone (site) level.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».