Modelling Excess Zeros in Count Data with Application to Antenatal Care Utilisation
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
Poisson and negative binomial regression models have been used as a standard for modelling count outcomes; but these methods do not take into account the problems associated with excess zeros. However, zero-inflated and hurdle models have been proposed to model count data with excess zeros. The study therefore compared the performance of Zero-inflated (Zero-inflated Poisson (ZIP) and Zero-inflated negative binomial (ZINB)), and hurdle (Hurdle Poisson (HP) and Hurdle negative binomial (HNB)) models in determining the factors associated with the number of Antenatal Care (ANC) visits in Nigeria. Using the 2013 Nigeria Demographic and Health Survey dataset, a sample of 19 652 women of reproductive age who gave birth five years prior to the survey and provided information about ANC visits was utilised. Data were analysed using descriptive statistics, ZIP, ZINB, HP and HNB models, and information criteria (AIC/BIC) was used to assess model fit. Participants’ mean age was 29.5 ± 7.3 years and median number of ANC visits was 4 (range: 0 - 30). About half (54.9%) of the participants had at least 4 ANC visits while 33.9% had none. The ZINB (AIC = 83 039.4; BIC = 83 470.3) fitted the data better than the ZIP or HP; however, HNB (AIC = 83 041.4; BIC = 83 472.3) competed favorably well with it. The Zero-inflated negative binomial model provided the better fit for the data. We suggest the Zero-inflated negative binomial model for count data with excess zeros of unknown sources such as the number of ANC visits in Nigeria.
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 | 0,000 | 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 découle