Bias factor, maximum bias and the E-value: insight and extended applications
Notice bibliographique
Résumé
BACKGROUND: Unmeasured confounding can bias the relationship between exposure and outcome. Sensitivity analyses generate bias-adjusted measures but these are not much used; this may change with the availability of the E-value (for evidence for causality in observational studies), appealing for its ease of calculation. However, as currently proposed, the E-value has some practical limitations that may reduce its use. METHODS: We first provide some insight into the relationship between two established measures for unmeasured confounding: 'the bias factor' and the maximum value this bias factor can take ('the B bias'). These measures are the statistical foundation for the E-value. We use them to develop new E-value formulas for situations when it is not currently applicable such as e.g. when, not unusually, a negative relation between unmeasured confounder and outcome and a positive one with exposure are postulated. We also provide E-values on the odds ratio scale because, currently, even when using the odds ratio as the study measure in the calculation of E-value, the result is to be interpreted as a relative risk, which is somewhat inconvenient. RESULTS: The additional formulas for the E-value measure make it applicable in all possible scenarios defined by the combined directions between unmeasured confounder and both the exposure and outcome. In addition, E-value measures can now be interpreted as odds ratios if the observed results are reported on the same scale. CONCLUSIONS: The E-value is part of newer sensitivity analyses methods for unmeasured confounding. We provide insight into its structure, underscoring its advantages and limitations, and expand its applications.
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 | 0,114 | 0,395 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,009 |
| Communication savante | 0,006 | 0,011 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».