Prices, use restrictions and electronic cigarette use—evidence from wave 1 (2016) US data of the ITC Four Country Smoking and Vaping Survey
Notice bibliographique
Résumé
AIMS: To determine if there are associations between changes in the explicit (i.e. price) and implicit (i.e. use restrictions in public places) costs of cigarettes and nicotine vaping products (NVPs) and their use patterns in the United States. METHODS: Data came from wave 1 (2016) US data of the ITC Four Country Smoking and Vaping Survey (ITC US 4CV1) and Nielsen Scanner Track database. A multiple logistic regression model was applied to estimate the likelihoods of NVP use (vaping at least monthly), cigarette/NVP concurrent use (vaping and smoking at least monthly) and switch from cigarettes to NVPs (had quit smoking < 24 months and currently vape) among ever smokers, conditioning upon cigarette/NVP prices, use restrictions and socio-demographics. RESULTS: Living in places where vaping is allowed in smoke-free areas was significantly associated with an increase in the likelihood of vaping [marginal effect (ME) = 0.17; P < 0.05] and the concurrent use of cigarettes and NVPs (ME = 0.11; P < 0.05). Higher NVP prices were associated with decreased likelihood of NVP use, concurrent use, and complete switch (P > 0.05). Higher cigarette prices were associated with greater likelihood of cigarette and NVP concurrent use (P > 0.05). Working in places where vaping is banned is associated with lower likelihood of vaping and NVP and cigarette concurrent use (P > 0.05). CONCLUSIONS: Higher prices for nicotine vaping products (NVPs) and vaping restrictions in public places are associated with less NVP use and less concurrent use of vaping and smoking. Public policies that increase prices for vaping devices and supplies (i.e. regulations, taxes) and restrict where vaping is allowed are likely to suppress vaping.
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 | 0,001 |
| 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 ».