Response to Discretising and validating Keyfitz' entropy for any demographic classification
Notice bibliographique
Résumé
Abstract In recent years, demographers have parsed variation in survivorship into two distinct components: the shape and the pace of ageing. The pace of ageing is defined by measures of longevity such as mean life expectancy or maximum longevity, whereas measures of the shape of ageing attempt to classify different shapes of the survivorship curve. We recently published a paper pointing out that a commonly used discretization of a shape measure, Keyfitz' entropy, does not correctly classify survivorship curves into negatively and positively senescing curves (de Vries et al., 2023). In that paper, we also suggested an alternative, accurate discrete‐time version of Keyfitz' entropy. de Vries et al. (2023) ended with two open questions, both of which have been answered by Giaimo (2024) now: (1) Can a discrete‐time entropy measure of survivorship be generalized beyond age‐based population models? Giaimo (2024) introduce a new formula that achieves this. (2) Will a discretization of Keyfitz' derivation of his measure as the elasticity of lifespan to a uniform change in mortality lead to the same formula as a discretization of Keyfitz' result? Giaimo (2024) answers: no. Here, we briefly discuss the implications of the results obtained by Giaimo (2024), and the implementation of his new formula into the Rpackage Rage, which is widely used for comparative demographic studies. We showcase the strength of the new method by reanalysing a comparison of Keyfitz' entropy to another shape measure. We find that the comparison is significantly altered by using Giaimo's new Keyfitz' formula. This example strengthens Giaimo's (2004) words of warning in approaching discretizations with attentiveness.
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 | 0,010 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».