Explained and Unexplained Regional Variation in Canadian Obesity Prevalence
Notice bibliographique
Résumé
The objective of our study was to examine sociodemographic and behavioral variables underlying the geographic variation of obesity in Canada. We aimed to quantify the share of regional variation in average BMI attributable to commonly cited determinants of obesity and the remaining share, which is attributable to the idiosyncrasies of the regional environment ("regional effects"). Using data from the Canadian Community Health Survey (CCHS) (2004), ordinary least squares (OLS) regression, and Blinder-Oaxaca decomposition to decompose the difference in mean BMI between regions, we quantify two parts of the difference: a share explained by different levels of the covariates and a share explained by those covariates having different effects on BMI in the different regions, using the Atlantic provinces as the reference group. We observed that some differences (e.g., average BMI for males in Quebec compared to the Atlantic provinces) are mostly explained by the different levels of socio-demographic and behavioral covariates, while others (e.g., average BMI for females in Quebec compared to the Atlantic provinces) are mostly explained by the different effects of the covariates on BMI. In the latter scenario, even if covariates were made to be identical in the different regions, the difference in average BMI would persist. Thus, targeting covariates in different regions through plans like physical activity or nutrition policy, income equalization, or education subsidies will have ambiguous effects for addressing disparate obesity levels, being plausible policy options in some regions but less so in others. Future research and policy would benefit from identifying these region-specific attributes that have local implications for BMI.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 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 ».