Comparative Analysis of Frequentist and Bayesian Approaches in Fitting Stereotype Models for Ordinal Outcomes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction: Stereotype regression models provide a parsimonious solution for analyzing ordinal response variables. When the proportional odds assumption is violated, these models offer a viable alternative to more commonly used cumulative logit models. However, their adoption in research remains limited due to a lack of standardization. Our study compares frequentist and Bayesian approaches for fitting stereotype models for ordinal outcomes, elucidating the benefits of each method to encourage broader utilization. Methods: We simulated ordinal data to contrast a Bayesian approach for an ordered stereotype model with two frequentist methods in R: Reduced-Rank Vector Generalized Linear Models (RRVGLM) for unordered scores and Ordered Stereotype Model (OSM) for ordered scores. Metrics included mean squared error (MSE) and bias across multiple simulation scenarios with various sample sizes and the introduction of multicollinear predictors. Lastly, a real dataset was utilized to demonstrate the application of these approaches. Results: Both frequentist methods exhibited errors in simulations and real data when the sample size was small and when multicollinearity was present. In simulation scenarios with small sample size (N=50, 70), frequentist methods often failed to converge or produced large standard errors, while the Bayesian approach always converged and yielded lower MSEs. In scenarios with large sample sizes (N=300, 500), all methods produced comparable MSEs. However, frequentist methods produced slightly less biased estimates. Conclusion: RRVGLM offers fast, accurate results but may encounter errors or produce unordered scores complicating interpretation. In these cases, OSM may provide better results. Bayesian models excel with small sample sizes and complex data with issues such as multicollinearity but require more computation time.
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.
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 | 0,000 |
| 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 découle