A comparison of methods for longitudinal data with nonignorable dropout with an application in systemic sclerosis
Notice bibliographique
Résumé
Lors d'études statistiques dans le domaine médical où l'on mesure les variables au fil du temps, il arrive souvent que certains participants abandonnent l'étude. En général, on néglige l'importance de traiter ces manques de données avec des méthodes statistiques valides. Néanmoins, plusieurs méthodes existent pour traiter ces lacunes, sous différentes hypothèses de manque de données. Une étude de simulation a été effectuée afin de comparer différents modèles : mixte linéaire, mélange de configurations à redressements répétés, PAN à redressements répétés (introduit par Schafer), et deux modèles de sélection de Bayes. Les modèles ont été comparés en fonction de leur capacité à estimer la pente de la réaction au fil du temps, ainsi que la variabilité de l'approximation de la pente et des intervalles de confiance. En fait, la performance des modèles diffère en fonction de la façon dont les données manquantes ont été produites : MCAR, MAR, et NMAR. Le modèle mixte et un des modèles de sélection (celui avec le moins de dépendance entre la probabilité d'obtenir une donné manquante et la valeur de la réaction) ont bien performé dans les cas MCAR et MAR, tandis que le second modèle de sélection a mieux performé dans le cas NMAR. De plus, le modèle à mélange de configurations a produit des intervalles de confiance qui ont bien couvert la véritable pente, tandis que le modèle PAN, dans tous les cas, n'a pas produit de bons résultats. Ces méthodes ont ensuite été appliquées aux données longitudinales d'handicap physique du Groupe de recherche canadien sur la sclérodermie. Les modèles ont presque tous été capables d'identifier une augmentation de l'handicap au fil du temps. D'ailleurs, l'exemple sur la sclérodermie nous a permis d'identifier les avantages des modèles plus faciles à utiliser, ainsi que les désavantages du modèle à mélang
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 | 0,086 | 0,210 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».