Nationally representative household survey data for studying the interaction between district-level development and individual-level socioeconomic gradients of cardiovascular disease risk factors in India
Notice bibliographique
Résumé
In this article, we describe the dataset used in our study entitled "The interaction between district-level development and individual-level socioeconomic gradients of cardiovascular disease risk factors in India: A cross-sectional study of 2.4 million adults", recently published in Social Science & Medicine, and present supplementary analyses. We used data from three different household surveys in India, which are representative at the district level. Specifically, we analyzed pooled data from the District-Level Household Survey 4 (DLHS-4) and the second update of the Annual Health Survey (AHS), and separately analyzed data from the National Family Health Survey (NFHS-4). The DLHS-4 and AHS sampled adults aged 18 years or older between 2012 and 2014, while the NFHS-4 sampled women aged 15-49 years and - in a subsample of 15% of households - men aged 15-54 years in 2015 and 2016. The measures of individual-level socio-economic status that we used in both datasets were educational attainment and household wealth quintiles. The measures of district-level development, which we calculated from these data, were i) the percentage of participants living in an urban area, ii) female literacy rate, and iii) the district-level median of the continuous household wealth index. An additional measure of district-level development that we used was Gross Domestic Product per capita, which we obtained from the Planning Commission of the Government of India for 2004/2005. Our outcome variables were diabetes, hypertension, obesity, and current smoking. The data were analyzed using both district-level regressions and multilevel modelling.
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 | 0,005 | 0,002 |
| 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 | 0,001 | 0,001 |
| 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 ».