The possible importance of income and education as covariates in cohort studies
Notice bibliographique
Résumé
<ns4:p>Background: Many cohort studies have been carried out that have provided information on the relationship between diet and health-related outcomes. Omission of important covariates during multivariate analysis may give rise to error due to residual confounding. A possibly important covariate is socioeconomic status (SES) as this is related to both diet and health.</ns4:p> <ns4:p/> <ns4:p>Methodology: An analysis was carried out of 76 randomly selected papers from 66 cohort studies. The papers covered many dietary variables and a wide variety of diseases/health-related outcomes. The cohort studies were carried out in many different locations and the subjects varied widely in age.</ns4:p> <ns4:p/> <ns4:p>Results: Approximately two-thirds of the papers (65.8%) used at least one measure of SES as a covariate. Education was used most often (60.5% of papers), followed by income (14.4%) and social class (2.6%). More than one measure of SES was used in 11.8% of papers.</ns4:p> <ns4:p/> <ns4:p> Conclusions: Failure to include income (or another measure of present SES, such as occupation) may therefore be a common source of error in cohort studies. Failure to include education may be particularly important as it is likely to be a weaker measure of <ns4:italic>present</ns4:italic> SES than is income. There is a need for more research on this question. SES in childhood is almost never included in multivariate analysis in cohort studies carried out on adults. This could also play a significant role in disease risk in middle age or later. Very little is known regarding whether this is also a source of residual confounding. </ns4:p>
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| 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 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 ».