Using Prior Information on Parameters to Eliminate Dependence on Initial Values in Fitting Coxian Phase Type Distributions to Length of Stay Data in Healthcare Settings
Notice bibliographique
Résumé
Background: Modeling length of stay (LOS) data in healthcare settings using Coxian phase type (PH) distributions is becoming increasingly popular. However, dependence on initial values is a persistent difficulty in parameter estimations. This paper explores the utility of prior information on the parameters to address this difficulty. Methods: Maximum likelihood methods were used to estimate parameters of PH distributions that best fit simulated datasets with various sample sizes arising from PH distributions of various numbers of phases and parameters, using randomly generated initial values. Estimated values for the parameters resulting from different initial values were compared to the known values to assess the extent to which estimates depend on initial values; the impacts of sample sizes, existence of prior information, as well as the number of parameters with prior information were assessed. Results: Without prior information, parameter estimates depend on initial values for all PH distributions and all sample sizes. Prior information on one or more parameters led to more concentrated estimates, with higher number of parameters with prior information or larger sample sizes leading to more concentrated estimates. For example, with a sample size of 500, the estimates for a parameter with known value of 0.706 without prior information had a wide range of 1.523; using prior information for two parameters narrowed that range down to 0.156. For 3-phase PH distributions, prior information on 3 parameters appeared to be sufficient to eliminate dependence on initial values, even for small sample sizes. For 4-phase PH distributions, prior information on 5 parameters and a moderate sample size were needed to eliminate such dependence. Conclusions: Combination of prior information on parameters and sufficient sample sizes can eliminate dependence on initial values in fitting PH distributions to LOS data.
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 | 0,046 | 0,204 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».