An investigation of the impact of left-censored soil contamination data on the uncertainty of descriptive statistical parameters
Notice bibliographique
Résumé
Left-censored concentration data are frequently encountered because measuring instruments cannot detect concentrations below the instrument detection limit. For statistical analysis of left-censored data, the environmental literature mainly refers to the following methods: maximum likelihood estimator, regression on order statistics using log-normal and gamma assumption (rROS and GROS, respectively), and Kaplan-Meier. A number of simulation experiments examined the performance of these methods in terms of bias and/or mean square error. However, no matter which method is adopted, some uncertainty is introduced into outcomes because all that is known about a left-censored observation is that the concentration falls between 0 and the detection limit. The data used in the present study come from analysis of soil samples collected for a site characterization in Montreal, Canada. Employing nonparametric bootstrap, the authors quantify the uncertainty and bias in the mean and standard deviation estimates obtained by the maximum likelihood estimation (under log-normal, Weibull, and gamma distributions), rROS, GROS, and Kaplan-Meier methods. First, the authors demonstrate that the highest uncertainty is associated with the maximum likelihood estimator under log-normality and Weibull assumptions, whereas a gamma assumption leads to estimates with less uncertainty. Second, the authors show that although an increase in sample size improves the uncertainty, it reduces the bias only in the rROS, GROS, and Kaplan-Meier methods. Finally, comparing percentage uncertainty in the mean of contaminant data, the authors illustrate that adopting an inappropriate estimator results in large uncertainties. Environ Toxicol Chem 2016;35:2623-2631. © 2016 SETAC.
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 | 0,000 | 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 | 0,001 |
| 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 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 ».