Interval estimation of risk difference for data sampled from clusters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Risk difference (RD) is an important measure in epidemiological studies where the probability of developing a disease for individuals in an exposed group, for example, is compared with that in a control group. There are varying cluster sizes in each group and the binary responses within each cluster cannot be assumed independent. Under the cluster sampling scenario, Lui (Statistical Estimation of Epidemiological Risk. Wiley: CA, 2004; 7-27) discusses four methods for the construction of a confidence interval for the RD. In this paper we introduce two very simple methods. One method is based on an estimator of the variance of a ratio estimator (Sampling Techniques (3rd edn). Wiley: New York, 1977; 30-67) and the other method is based on a sandwich estimator of the variance of the regression estimator using the generalized estimating equations approach of Zeger and Liang (Biometrics 1986; 42:121-130). These two methods are then compared, by simulation, in terms of maintaining nominal coverage probability and average coverage length, with the four methods discussed by Lui (Statistical Estimation of Epidemiological Risk. Wiley: CA, 2004; 7-27). Simulations show at least as good properties of these two methods as those of the others. The method based on an estimate of the variance of a ratio estimator performs best overall. It involves a very simple variance expression and can be implemented with a very few computer codes. Therefore, it can be considered as an easily implementable alternative.
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.
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 | 0,001 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle