Does Segregation Lead to Lower Birth Weight?
Notice bibliographique
Résumé
BACKGROUND: Racial residential segregation in the United States has been linked to racial differences in birth outcomes, with studies reporting associations between segregation and birth weight. However, this relationship is likely confounded, and many individual and neighborhood-level covariates included in previous models are likely mediators, potentially obscuring any causal impact of segregation on birth weight. METHODS: We compiled a record of non-Hispanic black and white singleton births to US-born/resident mothers in 2000, linked to segregation indices at the metropolitan statistical area (MSA) level in the non-Southern US. Segregation was measured via the dissimilarity index. The outcomes were individual-level birth weight and the metropolitan statistical area-level black/white gap in birth weight. We instrumented for segregation using the railroad division index. We compared race-stratified ordinary least squares models to two-stage least squares models, with cluster robust standard errors. RESULTS: We estimated a 1.2 g decrease in black birth weight for every one-percentage point increase in segregation (95% confidence interval [CI]: -1.9, -0.50) via ordinary least squares but a 2.8 g decrease (95% CI: -6.0, 0.48) using two-stage least squares. For white infants, our ordinary least squares estimate was 0.53 (95% CI: -0.23, 1.3), and our two-stage least squares estimate was in the opposite direction (-0.68, 95% CI: -3.5, 2.1). CONCLUSIONS: Ordinary least squares estimates may understate the effect of segregation on birth weight in blacks. Evidence from instrumental variable models was consistent with a causal impact of segregation on black birth outcomes, but estimates were imprecise and may be affected by weak instrument bias.
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 | 0,008 |
| 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) | 0,001 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».