The Theoretical Relationship between Sample Size and Expected Predictive Precision for EQ-5D Valuation Studies: A Mathematical Exploration and Simulation Study
Notice bibliographique
Résumé
Background. Scoring algorithms of multi-attribute utility instruments (MAUI) are developed in valuation studies and are hence estimated subject to uncertainty. Valuation studies need to be designed to achieve reasonable accuracy. We aim to provide the first closed-form mathematical formula for the mean square error (MSE) of an additive MAUI as a function of sample size that acknowledges that the MAUI model for the mean utility is not a perfect fit. Methods. Based on the design of the EQ-5D valuation study, we derived our closed-form formula in terms of sample size and number of directly valued health states overall and per subject. We validated our formula by conducting a simulation study using the US EQ-5D-3L valuation data set and examined the effect of using a random-effects versus an ordinary least-squares model and the effect of heteroscedasticity. We explored the effect of sample size and number of valued health states. Results. The simulation study validated our MSE-based closed-form formula regardless of whether assuming a random-effects model versus an ordinary least squares model or heteroscedasticity versus homoscedasticity. As the sample size approaches infinity, the MSE does not approach zero but levels off asymptotically. The improvement based on increasing sample is more prominent when the sample is small. When the sample size is greater than 300 to 500, further increases do not meaningfully improve the MSE, while increasing the number of health states can further improve the MSE. Conclusion. We have derived a closed-form formula to calculate the MSE of an additive MAUI scoring algorithm based on sample size and number of health states, which will enable the developers of MAUI valuation studies to calculate the required sample size for their desired predictive precision.
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 | 0,021 | 0,406 |
| 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 | 0,001 | 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 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 ».