Cutoff Value for Wilcoxon-Mann-Whitney Test by Minimum P-value: Application to COVID-19 Data
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
Dependent and independent variables may appear uncorrelated when analyzed in full range in medical data. However, when an independent variable is divided by the cutoff value, the dependent and independent variables may become correlated in each group. Furthermore, researchers often convert independent variables of quantitative data into binary data by cutoff value and perform statistical analysis with the data. Therefore, it is important to select the optimum cutoff value since performing statistical analysis depends on the cutoff value. Our study determines the optimal cutoff value when the data of dependent and independent variables are quantitative. The piecewise linear regression analysis divides an independent variable into two by the cutoff value, and linear regression analysis is performed in each group. However, the piecewise linear regression analysis may not obtain the optimal cutoff value when data follow a non-normal distribution. Unfortunately, medical data often follows a non-normal distribution. We, therefore, performed theWilcoxon-Mann-Whitney (WMW) test with two-sided for all potential cutoff values and adopted the cutoff value that minimizes the P-value (called minimum P-value approach). Calculating the cutoff value using the minimum P-value approach is often used in the log-rank and chi-squared test but not the WMW test. First, using Monte Carlo simulations at various settings, we verified the performance of the cutoff value for the WMW test by the minimum P-value approach. Then, COVID-19 data were analyzed to demonstrate the practical applicability of the cutoff value.
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 | 0,002 | 0,015 |
| 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 | 0,001 | 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