Generalized Linear Model Analyses for Treatment Group Equality when Data are Non-Normal
Notice bibliographique
Résumé
One of the validity conditions of classical test statistics (e.g., Student’s t-test, the ANOVA and MANOVA F-tests) is that data be normally distributed in the populations. When this and/or other derivational assumptions do not hold the classical test statistic can be prone to too many Type I errors (i.e., falsely rejecting too often) and/or have low power (i.e., failing to reject when the null hypothesis is false) to detect treatment effects when they are present. However, alternative procedures are available for assessing equality of treatment group effects when data are non-normal. For example, researchers can use robust estimators instead of the usual least squares estimators to test that treatment effects are equivalent across groups. As well, recent advances in statistical methodology allow researchers to test for equality of treatment group effects by assuming other distributional shapes for the data. One class of such analyses is generalized linear model techniques. On the other hand, researchers can adopt sequential analyses where they first assess the normality assumption and then depending on the result determine the type of analysis that should be adopted. The purpose of the present study was to compare the above approaches for assessing equality of treatment group effects in the presence of non-normal data. Simulation results which were based on various non-normal distributions and the values of group variances and sample sizes revealed that sequential analysis coupled with a generalized linear model solution were just as prone to inflated or depressed rates of Type I error as the classical ANOVA F-test.
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 | 0,057 | 0,242 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,004 |
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 ».