Comparing intraclass correlation coefficient estimators for binary outcomes in sample size calculations in twin pregnancies
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
PURPOSE: Intraclass correlation coefficients (ICCs) can be used to adjust for clustering in sample size calculations, but different ICC estimators for binary outcomes can return different estimates. We assessed the ability of five common ICC estimators to calculate sample sizes that achieve the desired power, for studies that compare binary outcomes in treated and untreated twin pregnancies. METHODS: We simulated studies in twin pregnancies with varying levels of clustering and outcome prevalence. We used ICC estimators derived from logistic generalized estimating equations (GEE), analysis of variance (ANOVA), linear mixed modelling (LMM), and logistic generalized linear mixed modelling (GLMM). We calculated the required sample size to obtain 80 % power (5 % Type I error) using a standard formula and used simulation to estimate the empirical power. RESULTS: ICC estimates from GEE, ANOVA, and LMM were similar to each other, constant across outcome prevalence, and yielded required sample sizes that achieved the desired power. ICC estimators using logistic GLMM varied across outcome prevalence and yielded required sample sizes that were larger than necessary (power >80 %) when clustering was high or when outcome prevalence was low. CONCLUSIONS: Investigators using ICCs in sample size calculations including twin pregnancies should consider avoiding estimates from logistic GLMMs.
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 | 0,003 | 0,139 |
| 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 | 0,000 | 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 découle