A Variance Estimator for Marginal Cox Regression Models Fit to Non‐Nested Multilevel Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In health services research, researchers often use clustered data to estimate the independent association between individual outcomes and cluster-level covariates after adjusting for individual-level characteristics. Marginal generalized linear models estimated using generalized estimating equation (GEE) methods or hierarchical (or multilevel) regression models can be used when there is a single source of clustering (e.g., patients nested within hospitals). Hierarchical regression models can also be used when there are multiple sources of clustering (e.g., patients nested within surgeons who in turn are nested within hospitals). Methods for estimating marginal regression models are less well-developed when there are multiple sources of non-nested clustering (e.g., patients are clustered both within hospitals and within in neighborhoods, but neither neighborhoods or hospitals are nested in the other). Miglioretti and Heagerty developed a GEE-type variance estimator for use when fitting marginal generalized linear models to non-nested multilevel data. We propose a variance estimator for a marginal Cox regression model fit to non-nested multilevel data that combined their approach with Lin and Wei's robust variance estimator for the Cox model. We evaluated the performance of the proposed variance estimator using an extensive set of Monte Carlo simulations. We illustrated the use of the variance estimator in a case study consisting of patients hospitalized with an acute myocardial infarction who were clustered within hospitals and who were also clustered in neighborhoods. In summary, a variance estimator motivated by that proposed by Miglioretti and Heagerty can be used with marginal Cox regression models fit to non-nested multilevel data.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle