Using James–Stein Estimators in Homogeneity Tests of the Risk Difference
Notice bibliographique
Résumé
In multi-center clinical trials in which the success/failure of two treatments are measured, 2 × 2 × K contingency data are obtained, where K is the number of centers in the study. In this context, the risk difference may be preferred (over the odds ratio or relative risk) as a measure of the efficacy of the new treatment. To summarize the risk difference across centers, the estimated risk difference for each center must be comparable. Although several weighted least squares (WLS) tests of homogeneity of the risk difference have been proposed for the sparse data situation (1,2), none of these tests perform satisfactorily when each center has small samples. In the sparse data situation, the weights given to each center's risk difference estimate are imprecise and may be undefined. James–Stein estimates have been shown to be more precise (in terms of mean squared error) than their maximum likelihood counterparts. In this article, we investigate the use of James–Stein estimates for these weights. These estimates shrink the individual risk estimates towards the overall center mean and thus avoid problems encountered when risk estimates are zero or one. We use Monte Carlo simulations to show that using these estimates in the WLS test of homogeneity of risk differences improves their performance in terms of Type I error.
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 | 0,162 | 0,513 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».