A Current Approach to Logistic Regression Analysis of Birth Order and Sexual Orientation
Notice bibliographique
Résumé
Numerous statistical procedures have been developed to examine the statistical relations between quantifiable aspects of an individual's sibship and the likelihood of that individual manifesting a homosexual preference. Our purpose in this methodological paper is explaining how to use and how to interpret the multiple regression approach introduced by Ablaza et al. (2022), modified by Blanchard (2022), and reorganized by Zdaniuk et al. (2025)-hereafter, the ABZ model. First, we list the sibship variables of present interest (e.g., number of older brothers), summarize their previously observed associations with sexual orientation, and discuss the language and labels that we recommend for describing empirical results in this research area. We then explain, in concrete, practical terms, how to analyze these sibship variables using the ABZ method, and we present a model analysis using previously published data. Our subsequent sections, which go more deeply into the topic, include a discussion of the mathematical-statistical rationale behind the Ablaza et al. approach-more specifically, its foundation on the ceteris paribus condition of multiple regression in conjunction with a "subsetting" property of the relevant sibship data. Finally, we compare the performance of the ABZ model with an older, more frequently used logistic regression model, and we discuss the potential application of the ABZ model to outcomes other than homosexuality.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».