Notice bibliographique
Résumé
BACKGROUND: For policy questions where substantial empirical background information exists, conventional frequentist policy analysis is hard to justify. Bayesian analysis quantitatively incorporates prior knowledge, but is not often used in applied policy analysis. METHODS: We combined 2000-2016 data from the Fatal Analysis Reporting System with priors based on past empirical studies and policy documents to study the impact of mandatory seat belt laws on traffic fatalities. We used a Bayesian data augmentation approach to combine information from prior studies with difference-in-differences analyses of recent law changes to provide updated evidence on the impact that upgrading to primary enforcement of seat belt laws has on fatalities. RESULTS: After incorporating the evidence from past studies, we find limited evidence to support the hypothesis that recent policy upgrades affect fatality rates. We estimate that upgrading to primary enforcement reduced fatality rates by 0.37 deaths per billion vehicle miles traveled (95% posterior interval -0.90, 0.16), or a rate ratio of 0.96 (95% posterior interval 0.91, 1.02), and increased the proportion of decedents reported as wearing seat belts by 7 percentage points (95% posterior interval 5, 8), or a risk ratio of 1.18 (95% posterior interval 1.13, 1.24). CONCLUSIONS: Bayesian methods can provide credible estimates of future policy impacts, especially for policy questions that occur in dynamic environments, such as traffic safety.
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 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 tête enseignante, 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 ».