Assessing a Binary Measurement System with Varying Misclassification Rates Using a Latent Class Random Effects Model
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
When no gold standard measurement system is available, we can assess a binary measurement system by making repeated measurements on a random sample of parts and then using a latent class model for the analysis. However, there is widespread criticism of the model assumptions that, given the true state of the part, the repeated measurements are independent and have the same misclassification probability. We propose a latent class random effects model that relaxes these assumptions by modeling the distribution of the two misclassification rates with Beta distributions. We start by finding the likelihood, the maximum likelihood estimates (MLEs) and their approximate standard deviations with the standard assessment plan that selects parts at random from the process. However, to estimate the model parameters with reasonable precision, the standard plan requires extremely large sample sizes in the common industrial situation where the proportion of conforming parts is high and the misclassification probabilities are small. More realistic sample sizes are possible when we instead sample randomly from the population of previously failed parts and supplement the likelihood with baseline information on the overall pass rate. We show using simulation that, for feasible designs, the asymptotic standard deviation based on the expected information provides a reasonably close approximation to the simulated standard deviation. We then use these approximations to investigate how the properties of the MLEs for the unknown parameters depend on the baseline size, the number of parts in the sample, and the number of repeated measurements per part.
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 | 0,004 | 0,002 |
| 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