Joint modeling of clustered binary data with crossed random effects via the Gaussian copula mixed model
Notice bibliographique
Résumé
Models with crossed random effects are common in reader-based diagnostic studies, where the same group of readers evaluate patients for certain diseases; an example is diabetic retinopathy study in Alberta, Canada. Although generalized linear mixed models (GLMMs) are well developed for non-Gaussian responses (e.g., binary outcomes) with crossed random effects, evaluation of the marginal likelihood is still technically and computationally demanding and can become prohibitive in applications, since the data cannot be grouped into independent blocks. The available estimation methods are also not free from problems. A recent approach involves application of data cloning (DC) to obtain maximum likelihood (ML) estimates using a Bayesian framework. Their approach is proved to be superior over the other two alternatives they considered in terms of providing relatively unbiased and efficient parameter estimates. However, this approach is based on a multivariate latent Gaussian description of the multiple correlated binary outcomes. In this thesis, we relax this assumption by allowing for disparate non-Gaussian latent variables for the binary responses, and propose a joint modeling via the Gaussian copula mixed model (GCMM). We applied maximum pairwise likelihood (PL) estimation instead of doing full ML analysis to reduce computational complexities. We conducted simulation studies with a setting analogous to the diabetic retinopathy data to see the performance of PL estimators for GCMM with crossed random effects. Simulation results suggest that although the estimation of regression coefficients and correlation parameter exhibit no problem, a much bigger sample size is required for the other scale parameters to provide reasonably accurate approximate results. We also analyzed the retinopathy data with the proposed approach considering three different conditional margins.
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 | 0,016 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».