POSTER: Bayesian Estimation of the Polychoric Correlation Coefficient with Skewed and Sparse Data
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
In applied research and validation practice, it is common to find items, scales and measures exhibiting a strong degree of skewness in the participants’ responses, creating ceiling or floor effects (Ho & Yu, 2015). Although this tends to be attributed to the inability of the items to discriminate among participants, it could also naturally arise in checklists or scales designed to detect severe but infrequent anomalies in a typical sample (Catts et.al., 2009). If polychoric correlations are calculated from data exhibiting these characteristics, the sparseness of the contingency tables that occurs can yield biased estimates of the correlations and incorrect inferences (Savalei, 2011). A Bayesian solution is proposed to this problem through the use of a log-normal latent model that can naturally capture the inherent skewness and sparseness of this kind of data (Albert,1992). In order to document the extent of the problem and offer a potential solution, two computer simulations were conducted in the R programming language to explore this issue. The first one sets a value of 0 in the population for the correlation coefficient and varies the thresholds at 2, 2.3 and 3 standard deviations above the mean with sample sizes from 200 to 1000. The second one compares three effect sizes (0.1, 0.3 and 0.5) with two and three response option thresholds set at real-life estimated parameters from empirical research and compares the bias and variability of the correlation estimates. Preliminary results indicate that the maximum likelihood (ML) approach yields biased correlation estimates whereas the Bayesian alternative shows less bias and outperforms the normal theory ML method in cases with extreme skeweness of item responses and sparse contingency tables.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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