Adjustment for Variable Adherence Under Hierarchical Structure
Notice bibliographique
Résumé
BACKGROUND: Variable adherence to assigned conditions is common in randomized clinical trials. OBJECTIVES: A generalized modeling framework under longitudinal data structures is proposed for regression estimation of the causal effect of variable adherence on outcome, with emphasis upon adjustment for unobserved confounders. RESEARCH DESIGN: A nonlinear, nonparametric random-coefficients modeling approach is described. Estimates of local average treatment effects among compliers can be obtained simultaneously for all assigned conditions to which participants are randomly assigned within the trial. Two techniques are combined to address time-varying and time-invariant unobserved confounding-residual inclusion and nonparametric random-coefficients modeling. Together these yield a compound, 2-stage residual inclusion, instrumental variables model. SUBJECTS: The proposed method is illustrated through a set of simulation studies to examine small-sample bias and in application to neurocognitive outcome data from a large, multicenter, randomized clinical trial in sleep medicine for continuous positive airway pressure treatment of obstructive sleep apnea. RESULTS: Results of simulation studies indicate that, relative to a standard comparator, the proposed estimator reduces bias in estimates of the causal effect of variable adherence. Bias reductions were greatest at higher levels of residual variance and when confounders were time varying. CONCLUSIONS: The proposed modeling framework is flexible in the distributions of outcomes that can be modeled, applicable to repeated measures longitudinal structures, and provides effective reduction of bias due to unobserved confounders.
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 | 0,002 |
| 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 | 0,000 |
| 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) | 0,003 | 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 ».