Income, income inequality and youth smoking in low‐ and middle‐income countries
Notice bibliographique
Résumé
AIMS: To examine the relationships between income, income inequality and current smoking among youth in low- and middle-income countries. DESIGN: Pooled cross-sectional data from the Global Youth Tobacco Surveys, conducted in low- and middle-income countries, were used to conduct multi-level logistic analyses that accounted for the nesting of students in schools and of schools in countries. PARTICIPANTS: A total of 169 283 students aged 13-15 from 63 low- and middle-income countries. MEASUREMENTS: Current smoking was defined as having smoked at least one cigarette in the past 30 days. Gross domestic product (GDP) per capita was our measure of absolute income. Contemporaneous and lagged (10-year) Gini coefficients, as well as the income share ratio of the top decile of incomes to the bottom decile, were our measures of income inequality. FINDINGS: Our analyses reveal a significant positive association between levels of income and youth smoking. We find that a 10% increase in GDP per capita increases the odds of being a current smoker by at least 2.5%, and potentially considerably more. Our analyses also suggest a relationship between the distribution of incomes and youth smoking: youth from countries with more unequal distributions of income tend to have higher odds of currently smoking. CONCLUSIONS: There is a positive association between gross domestic product and the odds of a young person in a low- and middle-income country being a current smoker. Given the causal links between smoking and a wide range of youth morbidities, the association between smoking and income inequality may underlie a substantial portion of the health disparities observed that are currently experiencing rapid economic growth.
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 | 0,002 | 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 | 0,001 |
| 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 ».