Group-based trajectory modeling under non-random attrition: A sensitivity analysis and application to frailty trajectories
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
Group-based trajectory modeling (GBTM) is used to identify trajectories but suffers from attrition bias when dropout is nonrandom. We evaluate an extended GBTM that models attrition as a latent-class process. Monte Carlo simulations compare the extended model with conventional GBTM across trajectory separation and missing-data mechanisms, and test a parsimonious version with a constant dropout rate within classes. conventional GBTM is adequate for separated trajectories but biased when they overlap and attrition is nonrandom. The extended GBTM remains unbiased, as shown in Manitoba frailty data. Implications: modeling attrition improves robustness; the parsimonious extension remains reliable under complex dropout. • Compared extended GBTM with conventional GBTM under simulated non-random attrition. • Conventional GBTM bias emerged when trajectory classes overlapped and attrition was non-random; robust only under well-separated trajectories. • Parsimonious extended GBTM (constant dropout rate within classes) consistently produced unbiased estimates of class proportions and trajectory shapes across all scenarios. • Empirical application to frailty data reclassified 11% of the sample into a high-risk worsening group, illustrating the practical impact of accounting for attrition.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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