Temporal assessment of injury severities of two types of pedestrian-vehicle crashes using unobserved-heterogeneity models
Notice bibliographique
Résumé
This study explores the temporal instability and non-transferability of the determinants affecting injury severities of pedestrians struck by motorcycles and non-motorcycles. Using the pedestrian-vehicle crash data in Rawalpindi, Pakistan, over three years (2017–2019), three possible crash injury severity categories (minor injury, severe injury, and fatal injury) are estimated using alternative models to account for unobserved heterogeneity. These are a random-parameters multinomial logit (RP-ML) model with heterogeneity in means and variances and a latent-class multinomial logit (LC-ML) model with class probability functions. Temporal instability and non-transferability in the effects of explanatory variables are confirmed using a series of likelihood ratio tests based on the two alternative models. Various variables are observed to determine pedestrian-injury severities, and the estimation results show significant temporal instability and non-transferability in both RP-ML and LC-ML models. However, several explanatory variables produce relatively temporally stable and transferable effects, providing valuable insights to implement effective countermeasures from a long-term perspective. Moreover, out-of-sample predictions are simulated to confirm the temporal instability and non-transferability. At the same time, the LC-ML models produce higher differences for temporal instability and lower differences for non-transferability compared to the RP-ML model. Understanding and depth comparing the estimation results, likelihood ratio tests, and out-of-sample predictions using alternative models is a promising direction for future research to explore how the observed and unobserved heterogeneity can be estimated in terms of temporal instability and non-transferability.
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 | 0,001 | 0,000 |
| 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 ».