POSTER: The Impact of Group Imbalance on Logistic Regression Analyses with Assessment 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
Introduction Logistic regression (LogReg) is widely used in analyzing educational assessment data, a special case of which is LogReg for differential item functioning (DIF). The model of interest in this paper is a LogReg akin to an analysis of covariance analysis with a dichotomous outcome variable and three predictors: a continuous covariate, a (skewed) dichotomous grouping variable and the interaction. The skewed grouping variable reflects an imbalance in sample sizes of the two groups. Little to no research has been done to examine the effects of skewed predictors on parameter estimates in logistic regression. Objectives The present simulation study investigates the impact of unbalanced group membership on the Type I error rate and statistical power of the Wald tests in this model. Methods To examine Type I error of the Wald tests: a 4A—4A—10 completely crossed factorial design, varying three factors: sample size (from 200 to 5000), skewness of the dichotomous predictor (from 50:50 to 1:99), skewness of the dependent variable (from 50:50 to 1:99). To examine power, a 4A—4A—10A—2 completely crossed factorial design, varying four factors: the same three as studied for Type I error, and effect size of dichotomous predictor and interaction (odds ratios of 2 and 4). Results and Conclusions The Type I error and power findings are a complicated interaction of the skewness of the dependent variable, the imbalance of the group sizes (i.e., skewness of the grouping predictor variable), and sample size. As a general statement, the Type I error rate and power are negatively affected by severe imbalance in group sizes. In cases wherein the Type I error rate of the Wald test of the grouping variable is effected, it is consistently deflated and close to zero. The complicated findings will be interpreted focusing on providing advice for data analysts and practitioners.
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 | 0,002 | 0,001 |
| 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