Attrition analysed in five waves of a longitudinal yearly survey of smokers: findings from the ITC Netherlands survey
Notice bibliographique
Résumé
BACKGROUND: Attrition bias can affect the external validity of findings. This article analyses attrition bias and assesses the effectiveness of replenishment samples on demographic and smoking-related characteristics for the International Tobacco Control Netherlands Survey, a longitudinal survey among smokers. METHODS: Attrition analyses were conducted for the first five survey waves (2008-12). We assessed, including and excluding replenishment samples, whether the demographic composition of the samples changed between the first and fifth waves. Replenishment samples were tailored to ensure the sample remained representative of the smoking population. We also constructed a multivariable survival model of attrition that included all five waves with replenishment samples. RESULTS: Of the original 1820 respondents recruited in 2008, 46% participated again in 2012. Demographic differences between waves due to attrition were generally small and replenishment samples tended to minimize them further. The multivariable survival analysis revealed that only two of the 10 variables analysed were significant predictors of attrition: a weak effect for gender (men dropped out more often) and weak to moderate effects for age (respondents aged 15-24 years dropped out more than aged 25-39 years, who dropped out more than those aged 40+ years). CONCLUSIONS: Weak to moderate attrition effects were found for men and younger age groups. This information could be used to minimize respondent attrition. Our findings suggest that sampling weights and tailored replenishment samples can effectively compensate for attrition effects. This is already being done for the International Tobacco Control Netherlands Survey, including the categories that significantly predicted attrition in this study.
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 | 0,019 | 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) | 0,000 | 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 ».