Selecting the Best Method among Several: Bayesian and Classical Data Analyses Comparison in a Complex Microbiological Validation Setting
Notice bibliographique
Résumé
Statistical procedures to compare new methods to gold standards, after validation of microbiological food methods, exist. However, evaluation of the best microbiological detection method among several is more challenging; there is little precedent in scientific literature. Our work compares Bayesian hierarchical (BH), Bayesian logistic Anova-like (BL-AL) and Classical logistic (CL) models using an original validation study, based on Health Canada’s Microbiological Methods Committee guidelines.The validation study design includes 6 microbiological methods, 13 food panels of 20 samples each, and 10 laboratories, and theoretically generates 780 sub-groups, reduced to 198 after quality review. In classical statistics this would lead to 231 null hypothesis tests, requiring significance level (α) correction for multiple comparisons. Assuming non-informative priors, BH and BL-AL estimations include meaningful parameters (e.g. method detection rate (DR), DR differences between methods, etc.), reallocate their credibility based on observed data, and provide posterior distributions and 95% high credibility intervals (HCI). Joining HCI with pre-defined Regions of Practical Equivalence (ROPEs) allows for null hypotheses decision making: rejection, acceptance, or no decision.BH and BL-AL give similar results and posteriors. Posteriors’ modes are nearly identical to best-estimates computed with CL. Statistical conclusions will be similar between BH, BL-AL and CL if, and only if, significance level (α) is corrected for multiple comparisons. Nevertheless only Bayesian allows null hypotheses acceptance and a clean ranking of the 6 microbiological methods using posterior densities within, below, and above ROPE limits.Using flat priors, it isn’t surprising to find similarities between Bayesian and Classical methods. However, while avoiding classical paradigm misinterpretation issues, the Bayesian framework provides informative and meaningful results with no multiple comparison issues.
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 | 0,152 | 0,295 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 ».