The Impact of Conscientiousness on Participant Drop-Out: A Novel Method for Estimating Missingness
Notice bibliographique
Résumé
Abstract Individuals low in conscientiousness are typically characterized by higher rates of dropout in longitudinal studies compared to individuals high in conscientiousness. Given that low conscientiousness is associated with increased risk of mortality and several adverse health behaviours and outcomes, attrition of individuals low in conscientiousness may result in systematic bias particularly relevant to developmental research focused on morbidity and mortality in older adulthood. Further, methods commonly used to estimate missing data require monotone coding patterns and untestable assumptions (e.g., MAR), and do not typically account for death as a competing risk factor. This project analyzed data drawn from the Memory and Aging Project (N=1156; Mage=79.2 years; 76.1% female) using multistate survival models to estimate the impact of conscientiousness on transitions between study wave participation over time (i.e., response, non-response), and death. With conscientiousness measured at baseline and death status determined by death records, complete state data are available for each study wave, unlike methods commonly used to model and estimate missingness. Adjusting for age, sex, and education, analyses revealed that higher levels of conscientiousness are associated with decreased likelihood of transitioning to non-response (HR= 0.97, CI’s 0.95, 0.99) and death (HR=0.96, CI’s 0.93, 0.99). These results suggest that over-sampling individuals low in conscientiousness during study recruitment may be important to better represent the general population, particularly when data are collected over several years or decades. Discussion will focus on how systematic bias introduced by higher response rates of individuals high in conscientiousness may impact health-related research based on longitudinal data.
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 | 0,105 | 0,324 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».