Re-analysis of data from cluster randomised trials to explore the impact of model choice on estimates of odds ratios: study protocol
Notice bibliographique
Résumé
BACKGROUND: There are numerous approaches available to analyse data from cluster randomised trials. These include cluster-level summary methods and individual-level methods accounting for clustering, such as generalised estimating equations and generalised linear mixed models. There has been much methodological work showing that estimates of treatment effects can vary depending on the choice of approach, particularly when estimating odds ratios, essentially because the different approaches target different estimands. METHODS: In this manuscript, we describe the protocol for a planned re-analysis of data from a large number of cluster randomised trials. Our main objective is to examine empirically whether and how odds ratios estimated using different approaches (for both primary and secondary binary outcomes) vary in cluster randomised trials. We describe the methods that will be used to identify the datasets for inclusion and how they will be analysed and reported. DISCUSSION: There have been a number of small comparisons of empirical differences between the different approaches to analysis for CRTs. The systematic approach outlined in this protocol will allow a much deeper understanding of when there are important choices around the model approach and in which settings. This will be of importance given the heightened awareness of the importance of estimands and the specification of statistical analysis plans.
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 | 0,312 | 0,565 |
| Méta-épidémiologie (sens strict) | 0,007 | 0,005 |
| Méta-épidémiologie (sens large) | 0,011 | 0,015 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,014 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,054 | 0,017 |
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 ».