Comparing Two Independent Groups: Inferences About the Lower and Upper Tails of the Distribution of D = X − Y
Notice bibliographique
Résumé
When comparing two independent groups, a way of getting a more detailed understanding of how the groups compare is to focus on multiple quantiles rather than a single measure of location. There are two distinct approaches regarding how this might be done. The first is to estimate a collection of quantiles for each group and choose an appropriate inferential method for comparing them. This approach has been studied extensively. For example, Doksum and Sievers (1976) derived a nonparametric method for computing confidence intervals for the difference between all quantiles for which the simultaneous probability coverage can be determined exactly assuming random sampling only. An analog of the Doksum–Sievers method was derive by Lombard (2005), which is based on the marginal distributions of two dependent groups. Other methods and applications are described in Wilcox (2023). Let X and Y denote two independent random variables and let D = X − Y. Note that under general conditions, the q quantile of D is not equal to the q quantile of X minus the q quantile of Y. Methods for making inferences about the median of D have been studied that have a close connection to the Wilcoxon–Mann–Whitney test. Here, four methods are suggested and studied via simulations that are aimed at making inferences about the tails of the distribution D with the goal of providing a deeper and more nuanced understanding of how groups compare.
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 | 0,089 | 0,354 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,013 |
| Communication savante | 0,005 | 0,012 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».