Methods for analytic intercategorical intersectionality in quantitative research: Discrimination as a mediator of health inequalities
Notice bibliographique
Résumé
RATIONALE: Intersectionality as a theoretical framework has gained prominence in qualitative research on social inequity. Intercategorical quantitative applications have focused primarily on describing health or social inequalities across intersectional groups, coded using cross-classified categories or interaction terms. This descriptive intersectionality omits consideration of the mediating processes (e.g., discrimination) through which intersectional positions impact outcome inequalities, which offer opportunities for intervention. OBJECTIVE: We argue for the importance of a quantitative analytic intersectionality. We identify methodological challenges and potential solutions in structuring studies to allow for both intersectional heterogeneity in outcomes and in the ways that processes such as discrimination may cause these outcomes for those at different intersections. METHOD: To incorporate both mediation and exposure-mediator interaction, we use VanderWeele's three-way decomposition methodology, adapt the interpretation for application to analytic intersectionality studies, and present a step-by-step analytic approach. Using online panel data collected from Canada and the United States in 2016 (N = 2542), we illustrate this approach with a statistical analysis of whether and to what extent observed inequalities in psychological distress across intersections of ethnoracial group and sexual or gender minority (SGM) status may be explained by past-year experiences of day-to-day discrimination, assessed using the Intersectional Discrimination Index (InDI). RESULTS AND CONCLUSIONS: We describe actual and adjusted intersectional inequalities in psychological distress and decompose them to identify three component effects for each of 11 intersectional comparison groups (e.g., Indigenous SGM), versus the reference intersectional group that experienced the lowest levels of discrimination (white non-SGM). These reflect the expected inequality in outcome: 1) due to membership in the more discriminated-against group, if its members had experienced the same lower levels of discrimination as the reference intersection; 2) due to unequal levels of discrimination; and 3), due to unequal effects of discrimination. We present considerations for use and interpretation of these methods.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,355 | 0,544 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,007 |
| Bibliométrie | 0,011 | 0,015 |
| Études des sciences et des technologies | 0,005 | 0,012 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,008 | 0,012 |
| Intégrité de la recherche | 0,004 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».