Raking Method as a Tool for Improving Representativeness in Non-Probability Studies
Notice bibliographique
Résumé
This is a methodological review focused on raking, or iterative proportional fitting, as a tool for improving representativeness in studies with non-probability sampling. The paper synthesizes the theoretical foundations, practical considerations, and applications of raking in biomedical research. The method operates by iteratively adjusting sample weights so that the marginal distributions of selected variables match the known distributions of the target population. Its implementation requires reliable auxiliary information about the population of interest and careful selection of adjustment variables. The review addresses critical aspects such as weight quality evaluation, management of extreme values, and computational considerations in raking implementation. The method's advantages are discussed, including its capacity to simultaneously adjust multiple variables and its applicability when only marginal information about the population is available. Its limitations are also examined, such as the potential generation of extreme weights and dependence on precise population data. Finally, practical examples are presented in various contexts, from hospital studies to research in university populations, demonstrating the method's versatility. The application of raking has proven particularly valuable in epidemiological and health services studies, where non-probability samples are common. This review provides a comprehensive methodological guide for researchers seeking to implement raking, emphasizing the importance of rigorous application and transparent documentation.
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 | 0,229 | 0,514 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,011 | 0,011 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».