OPTIMIZING DETECTION OF WITHIN-PERSON EFFECTS ON AGING-RELATED OUTCOMES: BENEFITS OF MULTILEVEL SEM
Notice bibliographique
Résumé
Intensive repeated measurement research designs (e.g., daily diary) are frequently used to investigate within-person variation in aging-related outcomes over relatively brief intervals of time (e.g., days, weeks). These designs allow variance to be partitioned into within-person (WP) and between-person (BP) sources of variability, enabling differential effects to be observed at the WP and BP level of analysis. With the increased use of these designs, attention to the optimization of measurement and design features for capturing and predicting systematic WP variation is required. The majority of research on aging utilizing intensive measurement designs rely on composite scale scores, which assumes that the constructs are measured without error. As variance is partitioned into WP and BP variance, measurement error (i.e., unsystematic WP deviations) is confounded with systematic WP variance. Failing to account for such error inflates the amount of WP variance and has the potential to bias WP estimates. An alternative approach makes use of multilevel structural equation modeling (SEM), which permits the specification of latent variables at both WP and BP levels. These models disattenuate measurement error from systematic variance and should produce less biased WP estimates and larger effects. Multilevel composite scores and SEM models were compared through a series of Monte Carlo simulations. Data were generated to examine the models under varying conditions (i.e., scale reliability, occasions, and cluster size). Differences in power, precision, and bias were examined with results revealing that bias was greater in the composite score model than the SEM model, particularly when reliability was low. Implications for the trade-offs between these two approaches will be discussed in terms of aging and health outcomes.
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 | 0,050 | 0,195 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».