Household food group expenditure patterns are associated with child anthropometry at ages 5, 8 and 12 years in Ethiopia, India, Peru and Vietnam
Notice bibliographique
Résumé
Population-level analysis of dietary influences on nutritional status is challenging in part due to limitations in dietary intake data. Household expenditure surveys, covering recent household expenditures and including key food groups, are routinely conducted in low- and middle-income countries. These data may help identify patterns of food expenditure that relate to child growth. OBJECTIVES: We investigated the relationship between household food expenditures and child growth using factor analysis. METHODS: We used data on 6993 children from Ethiopia, India, Peru and Vietnam at ages 5, 8 and 12y from the Young Lives cohort. We compared associations between household food expenditures and child growth (height-for-age z scores, HAZ; body mass index-for-age z scores, BMI-Z) using total household food expenditures and the "household food group expenditure index" (HFGEI) extracted from household expenditures with factor analysis on the seven food groups in the child dietary diversity scale, controlling for total food expenditures, child dietary diversity, data collection round, rural/urban residence and child sex. We used the HFGEI to capture households' allocations of their finances across food groups in the context of local food pricing, availability and pReferences RESULTS: The HFGEI was associated with significant increases in child HAZ in Ethiopia (0.07), India (0.14), and Vietnam (0.07) after adjusting for all control variables. Total food expenditures remained significantly associated with increases in BMI-Z for India (0.15), Peru (0.11) and Vietnam (0.06) after adjusting for study round, HFGEI, dietary diversity, rural residence, and whether the child was female. Dietary diversity was inversely associated with BMI-Z in India and Peru. Mean dietary diversity increased from age 5y to 8y and decreased from age 8y to 12y in all countries. CONCLUSION: Household food expenditure data provide insights into household food purchasing patterns that significantly predict HAZ and BMI-Z. Including food expenditure patterns data in analyses may yield important information about child nutritional status and linear 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 | 0,000 | 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 | 0,001 | 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 ».