Testing The Harvesting Hypothesis By Time-Domain Regression Analysis. Ii: Covariate Effects
Notice bibliographique
Résumé
This article extends the previous work of Fung et al. (2004) investigating the ability of the time-scale log-linear regression model, proposed by Dominici et al. (2003) Dominici, F., McDermott, A. and Zeger, S. L. 2003. Airborne particulate matter and mortality: Timescale effects in four US cities. Am. J. Epidemiol., 157: 1055–1065. [PUBMED][INFOTRIEVE][CSA][Crossref], [PubMed], [Web of Science ®] , [Google Scholar], to detect mortality displacement (sometimes known as harvesting) in time-series data relating air pollution to excess mortality. We conducted a simulation study based on two different compartment models of the death process: pure frailty model and mixed frailty model. We assume that nonaccidental death only affects frail population in a pure frailty model and affects both frail people and other individuals in the mixed frailty model. With a pure frailty model and a moderate-size pollution effect, we identified a characteristic mortality displacement pattern in the different time-scale coefficients of log relative risk. However, once a covariate like temperature was introduced into the model, such a mortality displacement pattern disappeared. Furthermore, a false mortality displacement effect was present in the incorrectly specified model, when temperature was not taken into account. We believe that time-scale regression has limited value for detecting mortality displacement in time-series data.
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 | 0,054 | 0,122 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,006 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».