Notice bibliographique
Résumé
Abstract Although analysis of covariance (ANCOVA) was introduced long ago, it is not well understood by many researchers and is frequently misused. ANCOVA is an extension of analysis of variance (ANOVA) with the inclusion of one or more covariates. Its benefits compared to ANOVA include (1) increased power and (2) a reduction in biases caused by differences in experimental units [the covariate(s)] among groups. ANCOVA can be presented using an adjusted means procedure (testing for differences in means adjusted for the covariate), but the procedure can be easily understood using a multiple linear regression method using indicator variables to represent groups. Statistical software packages use general linear models to perform ANCOVA which are identical to the multiple linear regression models. Failure to meet assumptions of ANCOVA can lead to misinterpretation of results. Failing to meet the assumption of parallel group regression slopes is common in many data sets and methods are available to analyze these data sets (e.g., the Johnson–Neyman technique). Although ANCOVA is robust to violations of some assumptions (e.g., normality and equality of variances) when sample sizes are equal, many nonparametric tests based on ranks are available as nonparametric alternatives to ANCOVA. WIREs Comp Stat 2011 3 260–268 DOI: 10.1002/wics.165 This article is categorized under: Statistical and Graphical Methods of Data Analysis > Nonparametric Methods
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 | 0,010 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,043 | 0,018 |
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 ».