Clustering and meso-level variables in cross-sectional surveys: an example of food aid during the Bosnian crisis
Notice bibliographique
Résumé
BACKGROUND: Focus groups, rapid assessment procedures, key informant interviews and institutional reviews of local health services provide valuable insights on health service resources and performance. A long-standing challenge of health planning is to combine this sort of qualitative evidence in a unified analysis with quantitative evidence from household surveys. A particular challenge in this regard is to take account of the neighbourhood or clustering effects, recognising that these can be informative or incidental. METHODS: An example of food aid and food sufficiency from the Bosnian emergency (1995-96) illustrates two Lamothe cluster-adjustments of the Mantel Haenszel (MH) procedure, one assuming a fixed odds ratio and the other allowing for informative clustering by not assuming a fixed odds ratio. We compared these with conventional generalised estimating equations and a generalised linear mixed (GLMM) model, using a Laplace adjustment. RESULTS: The MH adjustment assuming incidental clustering generated a final model very similar to GEE. The adjustment that does not assume a fixed odds ratio produced a final multivariate model and effect sizes very similar to GLMM. DISCUSSION: In medium or large data sets with stratified last stage random sampling, the cluster adjusted MH is substantially more conservative than the naïve MH computation. In the example of food aid in the Bosnian crisis, the cluster adjusted MH that does not assume a fixed odds ratio produced similar results to the GLMM, which identified informative clustering.
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 | 0,033 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».