Interval estimation of risk difference for data sampled from clusters
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.
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 | 0,049 | 0,261 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,004 | 0,003 |
| 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 ».