Applying Mixed Regression Models to the Analysis of Repeated-Measures Data in Psychosomatic Medicine
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
Objective: Although repeated-measures designs are increasingly common in research on psychosomatic medicine, they are not well suited to the conventional statistical techniques that scientists often apply to them. The goal of this article is to introduce readers to mixed regression models, which provide a more flexible and accurate framework for managing repeated-measures data. Methods and Results: We begin with a summary of the advantages that mixed regression models have over conventional statistical techniques in the context of repeated-measures designs. Next, we outline the conceptual and mathematical underpinnings of mixed regression models for a nonstatistical audience. The article ends with two examples of how these models can be applied in psychosomatic research; one deals with a prospective investigation of depressive symptoms and change in body mass index in older adults and the other with a diary study of social interactions and cortisol secretion. Conclusions: Mixed regression models offer a flexible and powerful approach to analyzing repeated-measures data. They possess important advantages over more traditional strategies, and more widespread application of these models is likely to enhance the overall quality of psychosomatic research. HLM = hierarchical linear model; OLS = ordinary least squares; ANOVA = analysis of variance; BP = blood pressure; CES-D = Center for Epidemiologic Studies–Depression; BMI = body mass index; D = dominance; EPAQ = Extended Version of the Personality Attributes Questionnaire.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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