A case for beta regression in the natural sciences
Notice bibliographique
Résumé
Abstract Data in the natural sciences are often in the form of percentages or proportions that are continuous and bounded by 0 and 1. Statistical analysis assuming a normal error structure can produce biased and incorrect estimates when data are doubly bounded. Beta regression uses an error structure appropriate for such data. We conducted a literature review of percent and proportion data from 2004 to 2020 to determine the types of analyses used for (0, 1) bounded data. Our literature review showed that before 2012, angular transformations accounted for 93% of analyses of proportion or percent data. After 2012, angular transformation accounted for 52% of analyses and beta regression accounted for 14% of analyses. We compared a linear model with angular transformation with beta regression using data from two fields of the natural sciences that produce continuous, bounded data: biogeochemistry and ecological elemental composition. We found little difference in model diagnostics, likelihood ratios, andp‐values between the two models. However, we found substantially different coefficient estimates from the back‐calculated beta regression and angular transformation models. Beta regression provides reliable parameter estimates in natural science studies where effect sizes are considered as important as hypothesis testing.
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 | 0,282 | 0,559 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,007 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,024 |
| Communication savante | 0,011 | 0,017 |
| Science ouverte | 0,006 | 0,007 |
| Intégrité de la recherche | 0,007 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 ».