Are Obesity and Physical Activity Clustered? A Spatial Analysis Linked to Residential Density
Notice bibliographique
Résumé
The aim of this study was to examine spatial clustering of obesity and/or moderate physical activity and their relationship to a neighborhood's built environment. Data on levels of obesity and moderate physical activity were derived from the results of a telephone survey conducted in 2006, with 1,863 survey respondents in the study sample. This sample was spread across eight suburban neighborhoods in Metro Vancouver. These areas were selected to contrast residential density and income and do not constitute a random sample, but within each area, respondents were selected randomly. Obesity and moderate physical activity were mapped to determine levels of global and local spatial autocorrelation within the neighborhoods. Clustering was measured using Moran's I at the global level, Anselin's Local Moran's I at the local level, and geographically weighted regression (GWR). The global-level spatial analysis reveals no significant clustering for the attributes of obesity or moderate physical activity. Within individual neighborhoods, there is moderate clustering of obesity and/or physical activity but these clusters do not achieve statistical significance. In some neighborhoods, local clustering is restricted to a single pair of respondents with moderate physical activity. In other neighborhoods, any moderate local clustering is offset by negative local spatial autocorrelation. Importantly, there is no evidence of significant clustering for the attribute of obesity at either the global or local level of analysis. The GWR analysis fails to improve significantly upon the global model-thus reinforcing the negative results. Overall, the study indicates that the relationship between the urban environment and obesity is not direct.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».