A Semi-parametric Regression Model to Estimate Variability of NO2
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
The purpose of this analysis was to derive a land-use regression (LUR) model using a semi-parametric method (based on penalized splines) to estimate the geographical characteristics that influence ambient concentrations of nitrogen dioxide (NO2) in Montreal, Quebec, Canada. Such estimations are often used to assess exposure to traffic-related pollution in epidemiologic studies. In May 2003, levels of NO2 were measured for 14 consecutive days at 67 sites across the city, using Ogawa passive-diffusion samplers. Concentrations ranged from 4.9 to 21.2 ppb (median 11.8 ppb). This work is re-analyzing of these data. Linear and semi-parametric multivariate regression analyses were conducted to assess the dependency between logarithms of concentrations of NO2 and land-use variables. In the published multiple linear regression analyses for this study, distance from the nearest highway, length of highways and major roads within 100 m, traffic count on the nearest highway, and population density showed significant associations with NO2. The best-fitting linear model had a R2=0.54. The most important variable in the model was traffic count on the nearest highway. The next most important variable was distance from the nearest highway, which has a negative association with NO2 concentration. This work used a semi-parametric model with a nonparametric part incorporating the variables “area of open space within 100 m” and “length of minor roads within 500 m”. These variables were non-significant in the linear regression model and showed nonlinear associations with the level of NO2. The semi-parametric model improves the fit of the model for land-use regression when comparing observed and predicted results.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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