Notice bibliographique
Résumé
Virtually all clinical trials collect multiple endpoints that are usually correlated. Many methods have been proposed to control the family-wise type I error rate (FWER), but these methods often disregard the correlation among the endpoints, such as the commonly used Bonferroni correction, Holm procedure, Wiens' Bonferroni fixed-sequence (BFS) procedure and its extension, and the alpha-exhaustive fallback (AEF). Huque and Alosh proposed a flexible fixed-sequence (FFS) testing method, which extended the BFS method by taking into account correlations among endpoints. However, the FFS method faces a computational difficulty when there are four or more endpoints. Similar to the BFS procedure, the FFS method requires the prespecified testing sequence and the type I error rate used for first endpoint in the sequence (usually the most important endpoint) cannot be adjusted for the correlation among the endpoints or from the rejection of other null hypotheses for other endpoints. Thus, the power for this test is not maximized. In this paper, I present a weighted multiple testing correction for correlated tests. By using the package 'mvtnorm' in R, the proposed method can handle up to a thousand endpoints. Simulations show that the proposed method shares the advantage of the FFS and the AEF methods (having high power for the second or later hypotheses in the testing sequence) and has higher power for testing the first hypothesis than the FFS and the AEF methods. The proposed method has higher power for each individual hypothesis than the weighted Holm procedure, especially when the correlation between endpoints is high.
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 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 | 0,003 | 0,487 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».