Strategies for handling normality assumptions in multi-level modeling: a case study estimating trajectories of Health Utilities Index Mark 3 scores.
Notice bibliographique
Résumé
BACKGROUND: With longitudinal data, lifetime health statusŏ dynamics can be estimated by modeling trajectories. Health status trajectories measured by the Health Utilities Index Mark 3 (HUI3) modeled as a function of age alone and also of age and socio-economic covariates revealed non-normal residuals and variance estimation problems. The possibility of transforming the HUI3 distribution to obtain residuals that approximate a normal distribution was investigated. DATA AND METHODS: The analysis is based on longitudinal data from the first six cycles of the National Population Health Survey (NPHS). The data pertain to 7,784 individuals, who, in 1994/1995, were aged 40 to 99, were living in private households, and had complete information on HUI3. A multilevel growth model was used to examine the hierarchical structure of NPHS data (repeated measurements nesting within respondents). The transformation of arcsine [2 x (HUI + 0.36) / (1 + 0.36)-1] was used to improve the distribution of the residuals at both levels and limit the conditional mean to the -0.36 to 1.00 interval. A model was estimated using socio-economic determinants. Analyses were performed with SAS and MLwiN. RESULTS: After the transformation of HUI3, the model was satisfactory and allowed for inclusion of new socio-demographic and health variables in order to estimate their impact on the health-related quality of life of aging populations. Because of the complex transformation of the arcsine model, the regression coefficients were not interpreted. Instead, the estimation results were summarized graphically.
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 | 0,005 | 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 | 0,001 | 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 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 ».