Normative comparison standards for measures of cognition in the Canadian Longitudinal Study on Aging (CLSA): Does applying sample weights make a difference?
Notice bibliographique
Résumé
Large-scale studies present the opportunity to create normative comparison standards relevant to populations. Sampling weights applied to the sample data facilitate extrapolation to the population of origin, but normative scores are often developed without the use of these sampling weights because the values derived from large samples are presumed to be precise estimates of the population parameter. The present article examines whether applying sample weights in the context of deriving normative comparison standards for measures of cognition would affect the distributions of regression-based normative data when using data from a large population-based study. To address these questions, we examined 3 cognitive measures from the Canadian Longitudinal Study on Aging tracking cohort (N = 14,110, Age 45-84 years at recruitment): Rey Auditory Verbal Learning Test - Immediate Recall, Animal Fluency, and the Mental Alternation Test. The use of sampling weights resulted in similar model parameter estimates to unweighted regression analyses and similar cumulative frequency distributions to the unweighted analyses. We randomly sampled progressively smaller subsets from the full database to test the hypothesis that sampling weights would help maintain the estimates from the full sample, but discovered that the weighted and unweighted estimates were similar and were less precise with smaller samples. These findings suggest that although use of sampling weights can help mitigate biases in data from sampling procedures, the application of weights to adjust for sampling biases do not appreciably impact the normative data, which lends support to the current practice in creation of normative data. (PsycINFO Database Record (c) 2019 APA, all rights reserved).
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 | 0,013 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 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 ».