Analysis of recurrent event data with environmental covariates.
Notice bibliographique
Résumé
Study objectives. The objectives of this study were twofold. First, we used simulation to investigate three statistical methodologies for analyzing recurrent event data in the presence of environmental covariates to determine which procedure performs well under what situation. Secondly, we investigated the association between daily air pollution and hospital admissions of respiratory diseases by analyzing data from Vancouver, British Columbia. Settings and study population. Five air pollutants: carbon monoxide (CO), coefficient of haze (CoH), nitrogen dioxide (NO 2), sulfur dioxide (SO2) and particulate matter 10 microns or less in diameter (PM10) were considered in this study. The event of interest was daily respiratory hospital admissions of residents (65+ years) of Vancouver, B.C. from April 01, 1995 to March 31, 1999. The dates of hospital admission for each individual's repeated visits due to respiratory diseases were recorded. Statistical methodologies. Three statistical methods were studied in this study, namely, Dewanji and Moolgavker's model (2000, 2002) based on a Poisson process assumption (Model I), Nividi's model (1998, 2002) for bidirectional case-crossover designs (Model II), and the usual time series analysis using a generalized linear model with natural splines (ns) to smooth time (Model III). A simulation method was used to evaluate and compare these procedures. The mean square error (MSE) was the criterion used for evaluation. (Abstract shortened by UMI.)Dept. of Mathematics and Statistics. Paper copy at Leddy Library: Theses & Major Papers - Basement, West Bldg. / Call Number: Thesis2005 .K45. Source: Masters Abstracts International, Volume: 44-01, page: 0379. Thesis (M.Sc.)--University of Windsor (Canada), 2005.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».