Generalized Additive Models for the Analysis of EQ-5D Utility Data
Notice bibliographique
Résumé
BACKGROUND: Measured utility data have a discrete distribution, and the discreteness is particularly pronounced for EQ-5D utilities. Given the discreteness of the data, modeling the distribution parametrically is likely to be difficult. Moreover, since the distribution is bounded, the linearity assumptions made by many models are questionable. This article suggests using semi-parametric models and illustrates the use of generalized additive models (GAMs) for handling nonlinear associations. METHODS: A simulation study is used to explore whether bias arises when applying parametric models to discrete utility data. A further simulation investigates the bias in semi-parametric linear and quasi-beta regression models when the assumed linearity does not hold and also investigates the use of GAMs. The use of GAMs in practice is shown through a recent study of health utilities among patients with diabetes. RESULTS: Using parametric beta models to analyze discrete EQ-5D utility data led to substantial bias. Both semi-parametric linear regression and quasi-beta regression led to biased estimates of marginal and incremental effects when the mean model was misspecified. The use of GAMs reduced these biases. CONCLUSIONS: Parametric models for EQ-5D utility data should be used with caution. Semi-parametric modeling of utility data should check for nonlinearity. GAMs can help in diagnosing and accommodating nonlinearity.
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 | 0,044 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».