Fitting regression models with response-biased samples
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper extends the work in Lawless, Kalbfleisch, & Wild (1999) on fitting regression models with response-biased samples, that is, samples where some or all the covariates are missing for some units and the probability that this happens depends in part on the value of the reponse of that unit. In general, the resulting likelihood depends on the distribution of the covariates but we are only interested in methods that do not involve modelling this distribution. We look at a variety of methods based on estimating equations, at the relationship of these methods to semi-parametric efficient methods in cases where such methods exist, and show ways of obtaining efficiency gains that can sometimes be dramatic. The Canadian Journal of Statistics 39: 519–536; 2011 © 2011 Statistical Society of Canada Cet article generalise les travaux de Lawless, Kalbfleisch et Wild (1999) sur l'ajustement de modeles de regression pour des echantillons avec biais du a la reponse, c'est-a-dire des echantillons pour lesquels quelques ou toutes les covariables sont manquantes pour quelques unites et la probabilite que cela se produise depend de la valeur de la variable reponse de ces unites. En general, la vraisemblance resultante depend de la distribution des covariables, mais nous sommes uniquement interesses aux methodes qui n'impliquent pas la modelisation de cette distribution. Nous considerons une variete de methodes basees sur les equations d'estimation et a la relation entre ces methodes et les methodes semi-parametriques efficaces lorsque celles-ci existent. Nous montrons des facons d'obtenir des gains d'efficacite qui peuvent parfois etre tres importants. La revue canadienne de statistique 39:519–536;2011 © 2011 Societe statistique du Canada
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 découle