Understanding statistical populations and inferences
Notice bibliographique
Résumé
BACKGROUND: The term population is frequently used in clinical research and statistics, but concepts are multiple and confusing. Populations are a roundabout way of conceiving classifications, generalizations and inductive inferences. When misapplied, the term can lead to serious errors in study design, analysis and interpretation. METHODS: We review various notions of populations, their relationship with statistical inferences, and whether they refer to persons, variables or theoretical constructions. RESULTS: There are design- and model-based statistical inferences. The simplest design-based inference is from a representative random sample to a real definite population, but it is rarely possible or even pertinent in clinical research. The term population rarely concerns patients. Super-populations are theoretical postulates of statistical models that attempt to explain the distributions and relationships of variables. Pseudo-populations are mathematical constructs used to balance baseline characteristics to extract causal inferences from observational studies. Statistical populations are as numerous as variables. This leads to an explosion of entities, with much room for divergent analyses and manipulations. Target populations are to whom study results should apply. In the absence of a real population, they are erroneously assimilated to the eligibility criteria of study subjects. The inductive problem remains unsolved, for inferences from study subjects to future patients then depend on the meaning of words used in indefinite descriptions. CONCLUSION: The term population often hides more than it reveals regarding problems of generalizations and inferences. Because the term leads to errors and misconceptions, it should rarely be used in clinical research.
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 | 0,022 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».