Graphical analysis of residuals in multivariate growth curve models and applications in the analysis of longitudinal data
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
Statistical models often rely on several assumptions including distributional assumptions on outcome variables as well as relational assumptions representing the relationship between outcomes and independent variables. Model diagnostics is, therefore, a crucial component of any model fitting problem. Residuals play important roles in model diagnostics and checking assumptions. In multivariate models, residuals are not commonly used in practice, although approaches have been proposed to check multivariate normality and other model assumptions. When done, ordinary residuals are often used. Nevertheless, it has been shown that ordinary residuals in the analysis of longitudinal data are correlated and are not normally distributed. Under sufficiently large sample size, a transformation of residuals were previously proposed to check the normality assumption. The transformation solely focuses on removing the correlation. In this paper, we show that the ordinary residuals in the analysis of longitudinal data are not normally distributed and should not be used for checking the normality assumption. Via extensive simulations, we also show that the transformed (de-correlated) residuals fail to provide accurate model validation, in particular in the presence of model misspecification. We consider decomposed residuals from the multivariate growth curve model, provide practical interpretations, examine their property analytically as well as via simulations, and show how the different components can be used to examine model misspecification and distributional assumptions. Extensive simulations are performed to evaluate and compare performances for normal and non-normal data. Analysis of real data sets are presented as illustrations.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| 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