Comparing Frequentist and Bayesian Quantile Regression Models for Child Hypertension in South Africa
Notice bibliographique
Résumé
Background: Traditional approaches to modelling paediatric hypertension in South Africa have relied on descriptive or mean regression methods, which inadequately capture risk factors driving the distributional extremes of blood pressure. Quantile regression provides a flexible alternative, and Bayesian methods offer advantages in precision and uncertainty estimation, yet their comparative performance has not been assessed in this context. Methods: Nationally representative cross-sectional data from 1,812 adolescents (15–17 years) in the South African National Income Dynamics Study (NIDS) Wave 5 (2017–2018) was analysed. Frequentist and Bayesian quantile regression models were fitted for systolic (SBP) and diastolic blood pressure (DBP) at the 75th and 95th percentiles. Model performance was compared in terms of parameter estimates, interval precision, and convergence diagnostics. Results: BMI and gender were consistent predictors of both SBP and DBP across models. Bayesian quantile regression additionally identified age, race, and pulse rate as significant risk factors for upper quantiles. Bayesian credible intervals were consistently narrower than frequentist confidence intervals, indicating improved precision. Convergence diagnostics confirmed robust posterior inference. Conclusion: Bayesian quantile regression provides more efficient inference than the frequentist alternative when modelling health outcomes concentrated in distributional extremes. This is the first study to apply Bayesian quantile regression to paediatric hypertension in South Africa, demonstrating both methodological value and empirical insights into adolescent health risks.
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 | 0,016 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».