Repeatability and intraclass correlations from time-to-event data: towards a standardized approach
Notice bibliographique
Résumé
Many biological features are expressed as ‘time-to-event’ traits, such as time to first reproduction or time to first response to some stimulus. The analysis of these traits frequently produces right-censored data in cases where no event has occurred within a certain time frame. The Cox proportional hazards (CPH) model, a type of survival analysis, accounts for censored data by estimating the hazard of an event occurring at each time point. While random effect variances can be estimated in CPH models, it is currently not possible to estimate within-cluster variance. Consequently, we lack a general method for calculating ecologically and evolutionary relevant variances and metrics like repeatability from time-to-event data. We here present a solution to this issue. We first describe the characteristics of CPH models and introduce repeatability as an intraclass correlation coefficient (ICC). We demonstrate how CPH models with discrete time intervals are comparable to binomial generalized linear mixed-effects models (GLMMs) with the complementary log-log link. Through this equivalence, we show how to estimate an ICC using the estimates of the random effects variance component(s) resulting from CPH models and the distribution-specific variance (within-cluster variance) from the binomial GLMM. We provide a case study and online materials to demonstrate how our new method for ICC for time-to-event data can be implemented and used. We conclude that the proposed method will not only generate a standard way to quantify consistent individual differences (ICC) from time-to-event data, but also broaden the use of survival analysis outside of the typical implementation for survivorship studies. • Time-to-event data (e.g. latency to respond) are common in animal behaviour. • Survival analysis should be used to account for censored and ceiling values. • We develop a feasible method for estimating repeatability from survival models. • We provide worked examples and a function for implementation of this method in R.
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 | 0,081 | 0,226 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,002 | 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; 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 ».