The case for the curve: Parametric regression with second- and third-order polynomial functions of predictors should be routine.
Notice bibliographique
Résumé
Polynomial regression is an old and commonly discussed modeling technique, though recommendations for its usage are widely variable. Here, we make the case that polynomial regression with second- and third-order terms should be part of every applied practitioners standard model-building toolbox, and should be taught to new students of the subject as the default technique to model nonlinearity. We argue that polynomial regression is superior to nonparametric alternatives for nonstatisticians due to its ease of interpretation, flexibility, and its nonreliance on sophisticated mathematics, like knots and kernel smoothing. This makes it the ideal default for nonstatisticians interested in building realistic models that can capture global as well as local effects of predictors on a response variable. Low-order polynomial regression can effectively model compact floor and ceiling effects, local linearity, and prevent inferring the presence of spurious interaction effects between distinct predictors when none are present. We also argue that the case against polynomial regression is largely specious, relying on either misconceptions around the method, strawman arguments, or historical artifacts. (PsycInfo Database Record (c) 2025 APA, all rights reserved).
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 | 0,117 | 0,404 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,004 | 0,032 |
| Communication savante | 0,013 | 0,034 |
| Science ouverte | 0,007 | 0,008 |
| Intégrité de la recherche | 0,015 | 0,039 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,016 |
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 ».