Model Choice Using the Deviance Information Criterion for Latent Conditional Individual-Level Models of Infectious Disease Spread
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
Abstract Individual-level models (ILMs) are a class of complex, statistical models that are often fitted within a Bayesian framework, and which can be suitable for modeling infectious disease spread. The deviance information criterion (DIC) is a model comparison tool that is appropriate for complex, Bayesian models, and since its development a number of variants have been proposed, including those for its application to missing data models. Here, we assessed five variants of the DIC and their application to ILMs, in particular a class of infectious disease models known as latent conditional LC-ILMs, which depend on a potentially unknown latent grouping variable for each individual in the population. The effectiveness of the traditionally defined DIC was compared to alternative DIC definitions through a simulation study, to assess which is most applicable for this class of models. Epidemic data was generated under an LC-ILM, to which both a spatial ILM (SILM) and the LC-ILM were fitted. Each variant of the DIC was then calculated for every fitted model, and the DIC values obtained for the LC-ILM were compared to those from the SILM. The results of the simulation study indicate that the DIC can be effective for model comparison within complex Bayesian models; however, the degree to which it is effective is dependent upon the variant of the DIC used and the amount of available information on the latent grouping variable.
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 | 0,017 | 0,141 |
| 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 | 0,001 |
| 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