Metamodels of bias in Cox proportional-hazards and logistic regressions with heteroscedastic measurement error under group-level exposure assessment
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
In occupational epidemiology, group-based exposure assessment entails estimating the average exposure level in a group of workers and assigning the average to all members of the group. The assigned exposure values can be used in epidemiological analyses and have been shown to produce virtually unbiased relative-risk estimates in many situations. Although the group-based exposure assessment continues to be used widely, it is unclear whether it produces unbiased relative-risk estimates in all circumstance, specifically in Cox proportional-hazards and logistic regressions when between-worker variance is not constant but proportional to the true group mean. This question is important because (i) between-worker variance has been shown to differ among exposure groups in occupational epidemiological studies and (ii) recent theoretical work has suggested that bias may exist in such situations. We conducted computer simulations of occupational epidemiological studies to address this question and analysed simulation results using 'metamodelling'. The results indicate that small-to-negligible bias can be expected to result from heteroscedastic between-worker variance. Cox proportional-hazards models can produce attenuated risk estimates, while logistic regression may result in overestimation of risk gradient. Bias caused by ignoring the heteroscedastic measurement error is unlikely to be large enough to alter the conclusion about the direction of exposure-disease association in occupational epidemiology.
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 | 0,002 | 0,001 |
| 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