MétaCan
Menu
Retour à la cohorte
Enregistrement W2134608496 · doi:10.1093/aje/kwp175

Time-modified Confounding

2009· article· en· W2134608496 sur OpenAlexaff
Robert W. Platt, Enrique F. Schisterman, Stephen R. Cole

Notice bibliographique

RevueAmerican Journal of Epidemiology · 2009
Typearticle
Langueen
DomaineMathematics
ThématiqueAdvanced Causal Inference Techniques
Établissements canadiensMcGill University
Organismes subventionnairesNational Institutes of HealthThrasher Research FundNational Institute on Alcohol Abuse and AlcoholismNational Institute of Allergy and Infectious DiseasesAmerican Chemistry CouncilWorld Health Organization
Mots-clésConfoundingMarginal structural modelStatisticsEconometricsMedicineMathematics

Résumé

récupéré en direct d'OpenAlex

According to the authors, time-modified confounding occurs when the causal relation between a time-fixed or time-varying confounder and the treatment or outcome changes over time. A key difference between previously described time-varying confounding and the proposed time-modified confounding is that, in the former, the values of the confounding variable change over time while, in the latter, the effects of the confounder change over time. Using marginal structural models, the authors propose an approach to account for time-modified confounding when the relation between the confounder and treatment is modified over time. An illustrative example and simulation show that, when time-modified confounding is present, a marginal structural model with inverse probability-of-treatment weights specified to account for time-modified confounding remains approximately unbiased with appropriate confidence limit coverage, while models that do not account for time-modified confounding are biased. Correct specification of the treatment model, including accounting for potential variation over time in confounding, is an important assumption of marginal structural models. When the effect of confounders on either the treatment or outcome changes over time, time-modified confounding should be considered.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,013
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,432
Score d'incertitude au seuil0,995

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,013
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,181
Tête enseignante GPT0,481
Écart entre enseignants0,300 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations57
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAmerican Journal of EpidemiologyMême sujetAdvanced Causal Inference TechniquesTravaux en français237 207