A mixed-effect statistical model for before-after speed studies
Notice bibliographique
Résumé
This paper proposes an efficient methodology to conduct observational before-after studies for operating speed data. The employed method has some noteworthy strengths: (i) it can analyze data at a disaggregated level to properly account for variations in the speed profile; (ii) it considers the entire distribution of speed to overcome the bias associated to the traditional approaches that represent the speed distribution with a single point estimate; (iii) it takes advantage of full Bayes methods to avoid the empirical Bayes method limitations. To illustrate the feasibility of the proposed framework, a limited sample of before-after speed dataset from Montreal was used. The effectiveness of a safety countermeasure-a reduction in speed limits-was assessed. The speed data were collected on local urban streets grouped into comparison and treatment sites. For modeling the operating speed, we employed a hierarchical mixed-effect Binomial model using a wide range of site characteristics. This model is capable of dealing with heterogeneity across observations and accounting for site specific effects. The analyses results indicated that lane width, number of lanes, and night hours affect the operating speed positively while presence of parking, peak hours, weekend, one way, and precipitation affect it negatively. Although the speed limit reduction was found to be effective in controlling the operating speed, the analyzed sample may not be representative of the entire urban areas subject to this reduction. This paper also highlights some essential issues in the data collection process and the sensitivity of the outcomes to the collection method used.
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 | 0,059 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,007 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,010 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,003 |
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 ».