Determinants of Household Food Insecurity in Developing Countries Evidences From a Probit Model for the Case of Rural Households in Rwanda
Notice bibliographique
Résumé
<p>This study uses probit model to identify determinants of food insecurity among rural households in developing countries. The model used in this study, that allowed us to estimate coefficient and marginal effect for each independent variable vis-à-vis dependent variable, guarantees large applications among food security actors and policymakers to find out factors that significantly explain food insecurity and the level of their predictability. The ability of the model used to correctly classify food insecure and food secure households is good for the overall model and for households headed by males while it is fair for households headed by females. The empirical results show that rural households are more exposed to food insecurity than urban households. Gender disaggregation by the head of households shows that among food insecure rural households, the majority of them are headed by females. It also shows that the mean and median of predicted probability of becoming food insecure among rural households headed by males and females is 0.21 and 0.28 for mean and 0.15 and 0.24 for median respectively. This indicates that households headed by females are more likely exposed to food insecurity than those headed by males. However, as the majority of rural households in developing countries depend on agriculture, this study found that it is worthwhile for developing countries to adopt new agricultural technologies to urgently increase productivity and to implement and facilitate programs supporting rural households pathways to increase households’ livelihood capacities.</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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».