Bayesian spatial and ecological models for small-area accident and injury analysis
Notice bibliographique
Résumé
In this article, recently developed Bayesian spatial and ecological regression models are applied to analyse small-area variation in accident and injury. This study serves to demonstrate how Bayesian modelling techniques can be implemented to assess potential risk factors measured at group (e.g. area) level. Presented here is a unified modelling framework that enables thorough investigations into associations between injury rates and regional characteristics, residual variation and spatial autocorrelation. Using hospital separation data for 83 local health areas in British Columbia (BC), Canada, in 1990–1999, we explore and examine ecological/contextual determinants of motor vehicle accident injury (MVAI) among male children and youth aged 0–24 and for those of six age groups (<1, 1–4, 5–9, 10–14, 15–19 and 20–24). Eighteen local health area characteristics are studied. They include a broad spectrum of socio-economic indicators, residential environment indicators (roads and parks), medical services availability and utilisation, population health, proportion of recent immigrants, crime rates, rates of speeding charge and rates of seatbelt violation. Our study indicates a large regional variation in MVAI in males aged 0–24 in British Columbia, Canada, in 1990–1999, and that adjusting for appropriate risk factors eliminates nearly all the variation observed. Socio-economic influence on MVAI was profoundly apparent in young males of all ages with the injury being more common in communities of lower socio-economic status. High adult male crime rates were significantly associated with high injury rates of boys aged 1–14. Seatbelt violations and excess speeding charges were found to be positively associated with the injury rates of young
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 | 0,013 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».