PEMODELAN REGRESI MULTILEVEL ZERO-INFLATED GENERALIZED POISSON DAN REGRESI MULTILEVEL ZERO-INFLATED POISSON PADA DATA RESPON COUNT
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
Data pengamatan hierarki (bertingkat) dengan variabel respon yang bersifat diskrit (count) dan berisikan banyak nilai nol dapat diselesaikan menggunakan model regresi Multilevel Zero-Inflated Poisson (MZIP). Banyaknya nilai nol pada data ternyata menyebabkan terjadinya dispersi (overdispersi/underdispersi). Jika terdapat fenomena overdispersi pada data, maka regresi MZIP kurang akurat digunakan untuk analisis karena berdampak pada nilai standard error menjadi under estimate (lebih kecil dari nilai sesungguhnya), sehingga kesimpulan yang diperoleh menjadi tidak valid. Salah satu metode yang dapat digunakan untuk mengatasi data count pengamatan hierarki yang mengalami dispersi yaitu model regresi Multilevel Zero-Inflated Generalized Poisson (MZIGP) sebagaimana yang dibahas dalam penelitian ini. Proses estimasi parameter model regresi MZIGP menggunakan metode Best Linear Unbiased Predictors (BLUP) melalui algoritma Expectation-Maximization (EM). Aplikasi model regresi MZIP dan MZIGP pada data jumlah kunjungan dokter di wilayah Canada menunjukkan hasil yang berbeda. Pada model regresi MZIP variabel status penyakit kronik (X2) dan level pendidikan (X3) memiliki nilai p-value yang signifikan terhadap model sementara model regresi MZIGP tidak ada variabel yang memiliki nilai p-value yang signifikan terhadap model. Namun, Likelihood ratio statistic kemudian menunjukkan bahwa ada perbaikan model yang diberikan oleh model regresi MZIGP terhadap model regresi MZIP dalam memodelkan data jumlah kunjungan dokter di wilayah Canada pada tahun 1985-1988 dengan nilai V=16,05. Hasil ini juga dipertegas dengan nilai standard error pada regresi MZIGP mengalami peningkatan atau under estimate yang terjadi pada regresi MZIP telah diatasi.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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