The impact of image resolution on power, bias, and confounding
Notice bibliographique
Résumé
Studies of the impact of environmental pollutants on health outcomes can be compromised by mismeasured exposures or unmeasured confounding with other environmental exposures. Both problems can be exacerbated by measuring exposure from data sources with low spatial resolution. Artificial light at night, for example, is often estimated from low-resolution satellite images, which may result in substantial measurement error and increased correlation with air or noise pollution. METHODS: Light at night exposure was considered in simulated epidemiologic studies in Vancouver, British Columbia. First, we assessed statistical power and bias for hypothetical studies that replaced true light exposure with estimates from sources with low resolution. Next, health status was simulated based on pollutants other than light exposure, and we assessed the frequency with which studies might incorrectly attribute negative health impacts to light exposure as a result of unmeasured confounding by the other environmental exposures. RESULTS: When light was simulated to be the causal agent, studies relying on low-resolution data suffered from lower statistical power and biased estimates. Additionally, correlations between light and other pollutants increased as the spatial resolution of the light exposure map decreased, so studies estimating light exposure from images with lower spatial resolution were more prone to confounding. CONCLUSIONS: Studies estimating exposure to pollutants from data with lower spatial resolution are prone to increased bias, increased confounding, and reduced power. Studies examining effects of light at night should avoid using exposure estimates based on low-resolution maps, and should consider potential confounding with other environmental pollutants.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,003 | 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 ».