Multilevel modelling for measuring interaction of effects between multiple categorical variables: An illustrative application using risk factors for preeclampsia
Notice bibliographique
Résumé
BACKGROUND: Measuring multiple and higher-order interaction effects between multiple categorical variables proves challenging. OBJECTIVES: To illustrate a multilevel modelling approach to studying complex interactions. METHODS: We apply a two-level random-intercept linear regression to a binary outcome for individuals (level-1) nested within strata (level-2) defined by all observed combinations of multiple categorical exposure variables. As a pedagogic application, we analyse 36 strata defined by five risk factors of preeclampsia (parity, previous preeclampsia, chronic hypertension, multiple pregnancies, body mass index category) among 652,603 women in the Swedish Medical Birth Registry between 2002 and 2010. RESULTS: The absolute risk of preeclampsia was 4% but was predicted to vary from 1% to 44% across strata. The stratum discriminatory accuracy was 30% according to the variance partition coefficient (VPC) and 0.73 according to the area under the receiver operating characteristic curve (AUC). While the risk heterogeneity across strata was primarily due to the main effects of the categories defining the strata, 5% of the variation was attributable to their two- and higher-way interaction effects. One stratum presented a positive interaction, and two strata presented negative interaction. CONCLUSIONS: Multilevel modelling is an innovative tool for identifying and analysing higher-order interaction effects. Further work is needed to explore how this approach can best be applied to making causal inferences.
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 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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».