Measurement Error and Methodologic Issues in Analyses of the Proportion of Variance Explained in Cognition
Notice bibliographique
Résumé
Existing studies examining the predictive ability of biomarkers for cognitive outcomes do not account for variance due to measurement error, which could lead to under-estimates of the proportion of variance explained. We used data from the Alzheimer's Disease Neuroimaging Initiative (ADNI) (N = 1084) to estimate the proportion of variance explained by Alzheimer's disease (AD) imaging biomarkers in four cognitive outcomes: memory, executive functioning, language, and visuospatial functioning. We compared estimates from standard models that do not account for measurement error, and multilevel models that do account for measurement error. We also examined estimates across diagnostic subgroups (normal, MCI, AD). Estimates of the proportion of variance explained from multilevel models accounting for measurement error were larger (e.g., for language, 9-47% vs. 7-34% under standard modeling), with relatively greater differences between standard and multilevel measurement models for cognitive outcomes that have larger measurement error variance. Heterogeneity across subgroups also emphasized the importance of sample composition. Future studies should evaluate measurement error adjustments when considerable measurement error in cognitive outcomes is suspected.
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 | 0,459 | 0,606 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,006 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».