Avoiding and Correcting Bias in Score-Based Latent Variable Regression With Discrete Manifest Items
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
This article considers models involving a single structural equation with latent explanatory and/or latent dependent variables where discrete items are used to measure the latent variables. Our primary focus is the use of scores as proxies for the latent variables and carrying out ordinary least squares (OLS) regression on such scores to estimate parameters in the structural equation. We are concerned with the bias in these OLS estimates; we present two approaches to deal with this bias. Extending the work of Skrondal and Laake (2001) Skrondal, A. and Laake, P. 2001. Regression among factor scores. Psychometrika, 66: 563–576. [Crossref], [Web of Science ®] , [Google Scholar] on continuous items, we derive sufficient conditions under which the use of scores based on item response theory leads to unbiased OLS estimates at the population level; we deem this approach “bias avoiding.” We also consider Croon's (2002) Croon, M. 2002. “Using predicted latent scores in general latent structure models”. In Latent variable and latent structure models, Edited by: Marcoulides, G. A. and Moustaki, I. 195–223. Mahwah, NJ: Lawrence Erlbaum Associates, Inc. [Google Scholar] bias correction methodology for continuous items and explore its efficacy on discrete items; we deem this approach “bias correcting.” We illustrate the performance of the 2 approaches through numerical examples of large simulated data sets.
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 | 0,009 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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