Accuracy Measure of Separate and Joint Modelling for a Correlated Binary Outcome: The Case Study of Mother Education and Immunization in Bangladesh
Notice bibliographique
Résumé
Joint modelling is a statistical approach that is used to analyze correlated data when two or more outcome variables are correlated. By joint modeling, we refer to the simultaneous analysis of two or more different response variables from the same individual. But in a separate model, it is unable to measure the effect of covariate simultaneously. This article focuses on separate and joint modelling for correlated discrete data, including logistic regression models for binary outcomes. Since most of the women are illiterate in Bangladesh and most of the people are living in urban areas, as a result, most of the women are not aware of immunization. But an educated mother is always aware of her child's health which is dependent on immunization. Therefore, mother education and immunization are interdependent. We jointly address the effect of maternal education and immunization. Joint modeling of these two outcomes is appropriate because mother education helps raise awareness of the child's health and immunization is the prevention of various diseases for the child's health. We also identified factors influencing maternal education and immunization among women in Bangladesh. By jointly modelling we found the correlation between maternal education and immunization and the most important contributing factor. The joint model removes a less significant impact of covariates as opposed to separate models. These findings further suggested that the simultaneous impact of correlated outcomes can be adequately addressed between different responses, which is overestimated or underestimated when examined separately.
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 | 0,000 | 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 | 0,000 |
| 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 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 ».