Morphoscopic ancestry estimates in Filipino crania using multivariate probit regression models
Notice bibliographique
Résumé
OBJECTIVES: Probit has not been applied to ancestry estimation in forensic anthropology. The goals of this study were to: (1) evaluate the performance of probit analysis as a classification tool for ancestry estimation using ordinal data and (2) expand our current understanding of human cranial variation for an understudied population. METHODS: Multivariate probit models were used to classify the ancestral affiliation of Filipino crania using morphoscopic traits. Ancestral reference populations represented Africa, Asia, and Europe in a three-group model, with the addition of Hispanics in a four-group model. Posterior probabilities across these groups were interpreted as admixture proportions of an individual. Model performance was also evaluated for individuals with missing data. RESULTS: The overall correct classification rates for the three-group and four-group models were 72.1% and 68.6%, respectively. Filipinos classified as Asian 52.9% of the time using three ancestral reference groups and 48.6% using four groups. A large portion of Filipinos also classified as African. There were no significant differences in classification trends or accuracy rates between complete crania and crania with at least one missing variable. CONCLUSIONS: Multivariate probit models using morphoscopic traits perform well when populations are represented in both training and test samples. Probit can also accommodate individuals with missing data. Classifying Filipinos showed only moderate success. Filipinos are more phenotypically similar to Africans than the other Asian samples used here, but still affiliate most closely as Asian. Ancestry methods would benefit from including Filipinos as a reference sample given the additional variation they provide to the continental category of Asian.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,031 |
| 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 ».