Evaluating quantitative methods for intercategorical-intersectionality research: a simulation study
Notice bibliographique
Résumé
Abstract Introduction This study evaluated seven quantitative methods for their predictive accuracy for intersectionally defined subgroups, via a simulation study. The methods were single-level regression with interaction terms, cross-classification, multilevel analysis of individual heterogeneity and discriminatory accuracy (MAIHDA), and four decision tree Methods classification and regression trees (CART), conditional inference trees, chi-square automatic interaction detector, and random forest. Also evaluated was how well methods identified variables relevant to the outcome. An example analysis will be presented using data from the U.S. National Health and Nutritional Examination Survey. Methods The simulated datasets varied by outcome variable type (binary and continuous), input variable types, sample size, and size and direction of the effects. Accuracy was evaluated using mean squared error or mean absolute percentage error. The secondary outcome was evaluated via significance and confidence interval coverage of regression terms and variable selection of the machine learning methods. Results Predictive accuracy improved with increasing sample size for all methods except CART. At small sample sizes random forest and MAIHDA generally created the most precise predictions. Variable selection consistently faced a high type 1 error for CTree and CHAID. While performing well for prediction, variable selection by random forest and confidence interval coverage and power of MAIHDA main effects coefficients were suboptimal. Discussion From this study emerge recommendations for applying methods in quantitative intersectionality. Different methodologies are optimal for different purposes, for example while random forest and MAIHDA performed well for prediction, they were less reliable for variable identification. In our discussion, we will work through how to select, apply, and interpret methodologies to achieve analytic goals that align with intersectionality theory.
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 | 0,089 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».