On the testing of equivalent variables: Perfect correlations and correlational topology
Notice bibliographique
Résumé
When two variables effectively represent the same variable, redundancy may spur statistical complications. For example, in a psychological network model, the partial associations between that variable and other variables in the network may become distorted. The networktools R package contains the goldbricker function to screen for redundant variables, whereby difference-based null hypothesis testing is used to determine whether two variables have the same zero-order correlations with other variables (same topology). But this approach has logical drawbacks, does not directly consider whether two variables are highly correlated, and has never been formally evaluated. We adapted two equivalence testing (ET) approaches – one that tests topology and one that tests the correlation between two variables directly – and evaluated their performance relative to goldbricker in three simulation studies. In a third study, we introduce a latent variable modeling approach that considers variables to be less than perfectly reliable. While goldbricker had good ability to flag variables with redundant topology, it had high false positive rates at small sample sizes and exhibited a tendency to not flag pairs with trivial differences in topology at large sample sizes. The ET-based approaches maintained better false positive rates and a more desirable pattern of results at larger sample sizes. An empirical example with data from the Patient Reported Outcomes Measurement Information System is provided. We argue that there are better alternatives to goldbricker, and tradeoffs between ET and the latent variable modeling approach are critically discussed.
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 | 0,182 | 0,647 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,004 | 0,023 |
| Communication savante | 0,007 | 0,017 |
| Science ouverte | 0,005 | 0,012 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».