Notice bibliographique
Résumé
In this thesis, we study statistical inference in the presence of missing data. In Chapters 2-4, we obtain asymptotically valid imputed estimators for the population mean, distribution function and correlation coefficient, and propose adjustments to Shao and Sitter (1996) bootstrap confidence intervals under imputation for missing data. We show that the adjusted bootstrap estimators should be used with bootstrap data obtained by imitating the process of imputing the original data set. In Chapter 5, we establish a goodness-of-fit test that can be applied to the case of longitudinal data with missing at random (MAR) observations, by combining the concepts of weighted generalized estimating equations (Robins et al., 1995) and score test statistic for goodness-of-fit (Hosmer and Lemeshow, 1980; Horton et al., 1999). We show that the proposed goodness-of-fit method that incorporates the missingness process should be used when dealing with intermittent missingness. In Chapter 6, we study a conditional model for a mixture of correlated, discrete and continuous, outcomes and apply the likelihood method to MAR data. We conduct a simulation study to compare the performance of estimators resulting from the joint model with estimators based on separate models for binary and continuous outcomes. We show that when all data are observed, adopting the mixed model does not lead to notable improvements; on the contrary, under a scenario with binary MAR data, the joint model performs significantly better.
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 | 0,090 | 0,317 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,004 | 0,007 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,009 |
| 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 ».