Cigarette graphic warning labels and smoking prevalence in Canada: a critical examination and reformulation of the FDA regulatory impact analysis
Notice bibliographique
Résumé
BACKGROUND: The estimated effect of cigarette graphic warning labels (GWL) on smoking rates is a key input to the Food and Drug Administration's (FDA) regulatory impact analysis (RIA), required by law as part of its rule-making process. However, evidence on the impact of GWLs on smoking prevalence is scarce. OBJECTIVE: The goal of this paper is to critically analyse FDA's approach to estimating the impact of GWLs on smoking rates in its RIA, and to suggest a path forward to estimating the impact of the adoption of GWLs in Canada on Canadian national adult smoking prevalence. METHODS: A quasi-experimental methodology was employed to examine the impact of adoption of GWLs in Canada in 2000, using the USA as a control. FINDINGS: We found a statistically significant reduction in smoking rates after the adoption of GWLs in Canada in comparison with the USA. Our analyses show that implementation of GWLs in Canada reduced smoking rates by 2.87-4.68 percentage points, a relative reduction of 12.1-19.6%; 33-53 times larger than FDA's estimates of a 0.088 percentage point reduction. We also demonstrated that FDA's estimate of the impact was flawed because it is highly sensitive to the changes in variable selection, model specification, and the time period analysed. CONCLUSIONS: Adopting GWLs on cigarette packages reduces smoking prevalence. Applying our analysis of the Canadian GWLs, we estimate that if the USA had adopted GWLs in 2012, the number of adult smokers in the USA would have decreased by 5.3-8.6 million in 2013. Our analysis demonstrates that FDA's approach to estimating the impact of GWLs on smoking rates is flawed. Rectifying these problems before this approach becomes the norm is critical for FDA's effective regulation of tobacco products.
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 | 0,000 | 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 ».