Bayesian hierarchical modelling of noisy spatial rates on a modestly large and discontinuous irregular lattice
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
We present Bayesian hierarchical spatial model development motivated from a recent analysis of noisy small area response rate data, named the Booster data. The Booster data are postcode-level aggregates from a recent mail-out recruitment for a physical exercise intervention in deprived urban neighbourhoods in Sheffield, UK. Bayesian hierarchical Bernoulli-binomial spatial mixture zero-inflated Binomial models were developed for modelling overdispersion and for separation of systematic and random variations in the noisy and mostly low crude response rates. We present methods that enabled us to explore the underlying spatial rate variation, clustering of low or high response rate areas and neighbourhood characteristics that were associated with variations and patterns of invitation mail-outs, zero-response and response rates. Three spatial prior formulations, the intrinsic conditional autoregressive or (iCAR), the Besag-York-Mollié (BYM) and the modified BYM models, were explored for their performance on modelling sparse data on a modestly large and discontinuous irregular lattice. An in-depth Bayesian analysis of the Booster data is presented, with the resulting posterior estimation and inference implemented via Markov chain Monte Carlo simulation in WinBUGS. With increasing availability of spatial data referenced at fine spatial scales such as the postcode, the sparse-data situation and the Bayesian models and methods discussed herein should have considerable relevance to small area disease and health mapping and to spatial regression.
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 | 0,028 | 0,138 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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