The possible importance of income and education as covariates in cohort studies
Notice bibliographique
Résumé
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. 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. 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. 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 present 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.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,462 | 0,714 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,011 |
| Bibliométrie | 0,009 | 0,019 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,006 | 0,009 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».