The following algorithm was used to

The following algorithm was used to estimate the respective proportions of high internalizingand high externalizing symptoms in the U.S. adolescent population that would not have occurredin each of the four counterfactual reductions in social media proposed.1. Using our adjusted multinomial logistic regression model, we estimated the predictedprobability of experiencing each outcome – high internalizing problems only, highexternalizing problems only, both problems, or neither – for each respondent in our dataset.2. For each participant, we added the probability of high internalizing only to the probability ofboth internalizing and externalizing to estimate to the total predicted probability of thatparticipant experiencing high internalizing symptoms. Similarly, we computed for eachparticipant the predicted total probability of externalizing problems.3. We multiplied these predicted probabilities by participants' respective survey weights, andsummed over all participants. This produced an estimate of the expected total number ofinternalizing and externalizing cases in the real U.S. adolescent population.4. We then built a new dataset where participants’ social media use was reassigned to match theappropriate counterfactual scenario. For example, for scenario 1, participants who reportedmore than 6 hours of social media use per day were reassigned to a value of at least 3 but nogreater than 6 hours per day of social media use.5. We then re-estimated the predicted probabilities and case counts using the new,counterfactual dataset by repeating steps 1-3. This produced an estimate of the expected totalnumber of internalizing and externalizing cases in a counterfactual U.S. adolescentpopulation.6. We took the difference between estimated case counts in the counterfactual and realpopulations. This estimated how many cases would be eliminated in the counterfactualscenario.7. Finally, we then divided this difference by the estimated case count in the real population.This estimated the proportion of cases that would be eliminated in the counterfactualscenario.

結果 (繁體中文) 1:

下面的算法來估算高內化的比例分別
在就不會發生了美國青少年人群和高外化症狀
在各個社交媒體提出四個反減。
1.使用我們的調整多項Logistic回歸模型，我們估計預測的
經歷每個結果的概率-高內在的問題而已，高
外化問題只是，這兩個問題，或者兩者都不是-在我們的數據集中每個應訴。
2.對於每個參與者，我們添加高的僅有內向到的概率的概率
都和外向估計到的，所述總預測概率
參與者經歷高內在症狀。類似地，我們計算對於每個
參與者的外化問題的預測的總概率。
3.我們乘參與者各自的調查權，這些預測概率，並
總結了所有與會者。這產生的預計總人數的估計
和外向的真正美國青少年人口的情況。
4.然後，我們建立了一個新的數據集，其中參與者的社交媒體使用被再分配以匹配
相應的反情景。例如，對於場景1，誰報告的參與者
超過6小時的社交媒體每天使用被再分配至少3的值，但不
大於每天的社交媒體使用6小時。
5.然後，我們重新估計使用新的，預測的概率和計數的情況下
通過重複步驟1-3反數據集。這產生預期的總的估計
和外向的反美國青少年病例數
人口。
6.我們採取的反估計病例數和實際之間的差異
的人群。這估計有多少案件將在反被淘汰
的情況。
7.最後，我們再在真正的人口除以估計的情況下，計這種差異。
這預計將在反被淘汰的案件比例
情況。

結果 (繁體中文) 2:

以下演算法用於估計高內化的各自比例
以及美國青少年群體中不會發生的高外化症狀
在社交媒體提出的四個反事實削減中，每一項。
1. 使用我們調整後的多數邏輯回歸模型，我們估計了預測的
體驗每個結果的概率 – 僅高內化問題，高
僅對資料集中的每個受訪者的問題（兩個問題，或兩者都不是）進行外部化。
2. 對於每個參與者，我們僅將高內化的概率添加到
內化和外化，以估計到
參與者出現高內化症狀。同樣，我們計算了每個
參與者預測外化問題的總概率。
3. 我們將這些預測概率乘以參與者各自的調查權重，以及
匯總到所有參與者。這產生了預期總數的估計
真實美國青少年群體中的內化和外化案例。
4. 然後，我們構建了一個新的資料集，其中參與者的社交媒體使用被重新分配，以匹配
適當的反事實情景。例如，對於方案 1，報告
每天使用超過 6 小時的社交媒體被重新分配到至少 3，但沒有
每天超過 6 小時的社交媒體使用時間。
5. 然後，我們使用新的，
通過重複步驟 1-3 來反事實資料集。這產生了預期總數的估計
反事實的美國青少年中內化和外化案例的數量
人口。
6. 我們採取了在反事實和實際估計案件計數之間的差異
人口。這估計了在反事實中將消除多少案件
場景。
7. 最後，我們再將這種差異除以實際人口中的估計病例數。
這估計了在反事實中將消除的案件比例。
場景。

結果 (繁體中文) 3:

下麵的算灋被用來估計高內化的各自比例
以及美國青少年群體中不會出現的高度外化症狀
在四個反事實的社會媒體削减中，每一個都被提議。
一。利用我們的調整多項式logistic回歸模型，我們估計了
體驗每種結果的可能性-僅限高度內化的問題，高
對於我們數據集中的每個響應者，只將問題外部化，包括兩個問題，或兩者都不外部化。
2。對於每一個參與者，我們只在
內部化和外部化，以估計總的預測概率
有高度內化症狀的參與者。同樣，我們計算了每個
參與者外部化問題的預測總概率。
三。我們將這些預測概率乘以參與者各自的調查權重，然後
所有參與者的總和。這產生了對
真實美國青少年群體中的內化和外化案例。
四。然後我們建立了一個新的數据集，參與者的社交媒體使用被重新分配以匹配
適當的反事實情况。例如，對於場景1，報告
每天超過6小時的社交媒體使用被重新分配為至少3小時，但沒有
每天使用社交媒體超過6小時。
5個。然後我們用新的方法重新估計了預測的概率和病例數，
重複步驟1-3的反事實數据集。這產生了對預期總數的估計
一個反事實的美國青少年內化和外化案例的數量
人口。
6。我們計算了反事實和真實的案件數量
人口。這估計有多少案件會在反事實中被排除
腳本。
7號。最後，我們將這個差异除以實際人口中估計的病例數。
這估計了在反事實中被消除的案件的比例
腳本。