Copula-Based Joint Model of Injury Severity and Vehicle Damage in Two-Vehicle Crashes
Notice bibliographique
Résumé
In the transportation safety field, in an effort to improve safety, statistical models are developed to identify factors that contribute to crashes as well as those that affect injury severity. This study contributes to the literature on severity analysis. Injury severity and vehicle damage are two important indicators of severity in crashes and are typically modeled independently. However, there are common observed and unobserved factors affecting the two crash indicators that lead to potential interrelationships. Failure to account for the interrelationships between the indicators may lead to biased coefficient estimates in crash severity prediction models. The focus of this study was to explore interrelationships between injury severity and vehicle damage and to also identify the nature of these correlations across different types of crashes. A copula-based methodology that could simultaneously model injury severity and vehicle damage while also accounting for the interrelationships between the two indicators was employed. Furthermore, parameterization of the copula structure was used to represent the interrelationships between the crash indicators as a function of crash characteristics. In this study, six specifications of the copula model—Gaussian, Farlie–Gumbel–Morgenstern, Frank, Clayton, Joe, and Gumbel—were developed. On the basis of goodness-of-fit statistics, the Gaussian copula model was found to outperform the other copula-based model specifications. Results indicated that interrelationships between injury severity and vehicle damage varied with different crash characteristics including manner of collision and collision type.
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 | 0,004 | 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 | 0,002 |
| 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 ».