Confidence interval estimation for treatment effects in cluster randomization trials based on ranks
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
A cluster randomization trial is one in which clusters of individuals are randomly allocated to different intervention arms. This design has become the standard for the evaluation of health care and educational strategies. To assess treatment effect, many cluster randomization trials involve outcomes that are lack meaningful units, making interpretation difficult. This difficulty may be dealt with by estimating the Mann-Whitney probability, which quantifies the probability that a typical response from one treatment arm is larger (or smaller) than a typical response from the other arm. In this work, we propose procedures for estimating this probability in cluster randomization trials. Primary emphasis is given to confidence interval estimation in trials with a small number of large clusters. The essence of the procedures is to obtain placement values based on overall ranks and arm-specific ranks prior to application of the ratio estimator, cluster-size-weighted means and mixed models for adjusting clustering effects. Nine confidence intervals were developed by applying three interval methods each based on the three variance estimators. The proposed methods can be applied to studies with binary, ordinal or continuous outcomes without making parametric assumptions. Simulation results demonstrated that the three variance estimators performed equally well, with the confidence interval procedures based on logit and inverse hyperbolic sine transformations performing better in terms of coverage and average interval width, even when the numbers of clusters are as small as 3 to 5 clusters per arm. The methods are illustrated using data from three published cluster randomization trials with SAS code provided.
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 | 0,003 | 0,095 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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