A flexible test for early-stage studies with multiple endpoints
Notice bibliographique
Résumé
This paper builds on the recently proposed prediction test for muliple endpoints. The prediction test combines information across multiple endpoints while accounting for the correlation between them. The test performs well with small samples relative to the number of endpoints of interest and is flexible in the hypotheses across the individual endpoints that can be combined. The prediction test addresses a global hypothesis that is of particular interest in early-stage studies and can be used as justification for continuing on to a larger trial. However, the prediction test has several limitations which we seek to address. First, the prediction test is overly conservative when both the effect sizes across all endpoints and the number of endpoints are small. By using a parametric bootstrap to estimate the null distribution, we show that the test achieves the nominal error rate in this situation and increases the power of the test. Second, we provide a framework to allow for predictions of a difference on one or more endpoints. Finally, we extend the test with a composite null hypothesis that allows for different null hypothesized predictive abilities across the endpoints which can be especially useful if the study contains both familiar and novel endpoints. We use an example from a physical activity trial to illustrate these extensions.
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 | 0,178 | 0,527 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,004 | 0,008 |
| Science ouverte | 0,008 | 0,006 |
| Intégrité de la recherche | 0,006 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,002 |
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 ».