Effects of Sample Size on Goodness-of-Fit Statistic and Confidence Intervals of Crash Prediction Models Subjected to Low Sample Mean Values
Notice bibliographique
Résumé
The statistical relationship between motor vehicle crashes and covariates can generally be modeled via generalized linear models (GLMs) with logarithmic links with errors distributed in a Poisson or Poisson-gamma manner. The scaled deviance and Pearson's χ 2 have been proposed to test the statistical fit of GLMs. Recent studies have shown that these two estimators are not adequate for testing the goodness of fit (GOF) of GLMs when they are developed from data characterized by low sample mean values. To circumvent this problem, a testing method has been proposed to evaluate the GOF of such GLMs. Because this method can be time-consuming to implement, there is a need to determine whether it is sensitive to different sample sizes. The primary objective of this paper is to investigate the effects of decreasing sample sizes on the GOF testing technique. A secondary objective is to estimate how the reducing of sample size influences the confidence intervals of GLMs. To accomplish the objectives, GLMs were fit with the use of two data sets subjected to average and low sample means collected in Toronto, Ontario, Canada. Several models were estimated for different sample sizes. The results of the study show that the testing technique is more effective for smaller than for larger samples when data are subjected to low sample mean values. The results also show that the width of the confidence intervals increases, as expected, as the sample size decreases and can be extremely large for small sample sizes. Hence, statistical models characterized by low sample mean values should be developed on the basis of a large number of observations. Data sets containing at least 100 observations (e.g., intersections, segments) are recommended in the development of models. The paper concludes with recommendations for future studies involving such data sets.
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 | 0,131 | 0,551 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».