A new protocol for evaluating putative causes for multiple variables in a spatial setting, illustrated by its application to European cancer rates
Notice bibliographique
Résumé
We introduce a statistical protocol for analyzing spatially varying data, including putative explanatory variables. The procedures comprise preliminary spatial autocorrelation analysis (from an earlier study), path analysis, clustering of the resulting set of path diagrams, ordination of these diagrams, and confirmatory tests against extrinsic information. To illustrate the application of these methods, we present incidence and mortality rates of 31 organ- and sex-specific cancers in Europe; these rates vary markedly with geography and type of cancer. Additionally, we investigated three factors (ethnohistory, genetics, and geography) putatively affecting these rates. The five variables were correlated separately for the 31 cancers over European reporting stations. We analyzed the correlations by path analysis, k-means clustering, and nonmetric multidimensional scaling; coefficients of the 31 path diagrams modeling the correlations vary substantially. To simplify interpretation, we grouped the diagrams into five clusters, for which we describe the differential effects of the three putative causes on incidence and mortality. When scaled, the path coefficients intergrade without marked gaps between clusters. Ethnic differences make for differences in cancer rates, even when the populations tested are ancient and complex mixtures. Path analysis usefully decomposes a structural model involving effects and putative causes, and estimates the magnitude of the model's components. Smooth intergradation of the path coefficients suggests the putative causes are the results of multiple forces. Despite this continuity of the path diagrams of the 31 cancers, clustering offers a useful segmentation of the continuum. Etiological and other extrinsic information on the cancers map significantly into the five clusters, demonstrating their epidemiological relevance.
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 | 0,095 | 0,197 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,005 |
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 ».