Monitoring trends in socioeconomic health inequalities: it matters how you measure
Notice bibliographique
Résumé
BACKGROUND: Odds ratio (OR), a relative measure for health inequality, has frequently been used in prior studies for presenting inequality trends in health and health behaviors. Since OR is not a good approximation of prevalence ratio (PR) when the outcome prevalence is quite high, an important problem may arise when OR trends are used in data in which the outcome variable (e.g., smoking or ill-health) is of relatively high prevalence and varies significantly over time. This study is to compare time trends of odds ratio (OR) and prevalence ratio (PR) for examining time trends in socioeconomic inequality in smoking. METHODS: A total of 147,805 subjects (71,793 men and 76,017 women) aged 25-64 from three Social Statistics Surveys of Korea from 1999 to 2006 were analyzed. Socioeconomic position indicators were occupational class and education. RESULTS: While there were no significant p values for trend in ORs of occupational class among men, trends for PRs were significant. In women, p values for OR trends were similar to those for PR trends. In males, RII by log-binomial regression showed a significant increasing tendency while RII by logistic regression was stable between years. In females, trends of RIIs by logistic regression and log-binomial regression produced a similar level of p values. CONCLUSION: Different methods of measuring trends in socioeconomic health inequalities may lead to different conclusions about whether relative inequalities are increasing or decreasing. Trends in ORs may overstate or understate trends in relative inequality in health when the outcome is of relatively high prevalence and that prevalence varies significantly with time.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».