Using multiple correspondence analysis to identify behaviour patterns associated with overweight and obesity in Vanuatu adults
Notice bibliographique
Résumé
OBJECTIVE: The present study evaluates the use of multiple correspondence analysis (MCA), a type of exploratory factor analysis designed to reduce the dimensionality of large categorical data sets, in identifying behaviours associated with measures of overweight/obesity in Vanuatu, a rapidly modernizing Pacific Island country. DESIGN: Starting with seventy-three true/false questions regarding a variety of behaviours, MCA identified twelve most significantly associated with modernization status and transformed the aggregate binary responses of participants to these twelve questions into a linear scale. Using this scale, individuals were separated into three modernization groups (tertiles) among which measures of body fat were compared and OR for overweight/obesity were computed. SETTING: Vanuatu.ParticipantsNi-Vanuatu adults (n 810) aged 20-85 years. RESULTS: Among individuals in the tertile characterized by positive responses to most of or all the twelve modernization questions, weight and measures of body fat and the likelihood that measures of body fat were above the US 75th percentile were significantly greater compared with individuals in the tertiles characterized by mostly or partly negative responses. CONCLUSIONS: The study indicates that MCA can be used to identify individuals or groups at risk for overweight/obesity, based on answers to simply-put questions. MCA therefore may be useful in areas where obtaining detailed information about modernization status is constrained by time, money or manpower.
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 | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».