MétaCan
Menu
Retour à la cohorte
Enregistrement W3021662929 · doi:10.1177/0020731420922689

Impacts of Absolute and Relative Income on Self-Rated Health in Urban and Rural China

2020· article· en· W3021662929 sur OpenAlexaff
Jiaoli Cai, Audrey Laporte, Li Zhang, Yulin Zhao, Di Tang, Hongli Fan, Liqian Deng, Peter C. Coyte

Notice bibliographique

RevueInternational Journal of Health Services · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueHealth disparities and outcomes
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésGini coefficientIndex (typography)ChinaPopulationPanel dataDemographyInequalitySocioeconomicsGeographyDemographic economicsEconomicsEconomic inequalityEconometricsMathematicsSociology

Résumé

récupéré en direct d'OpenAlex

This study aims to assess the impacts of absolute and relative income on self-rated health (SRH) of residents in rural and urban China. Data were derived from the China Health and Nutrition Survey. Three distinct measures of relative income were considered (Gini coefficient, Yitzhaki index, and Deaton index) and computed for 3 geographic units (nation, province, and community). Nonlinear dynamic models for panel data were employed to test the absolute and relative income hypotheses. Absolute income was significantly associated with SRH among urban and rural populations. Relative income, as measured by the Gini coefficient, the Yitzhaki index, and the Deaton index, had statistically significant and negative impacts on SRH among the rural population, regardless of the reference group. For the urban population, the Gini coefficient was associated with SRH regardless of the reference group. In contrast, only the Yitzhaki index and the Deaton index at the provincial level were associated with SRH among the urban population. Our findings may provide a reference for policymakers to implement health policies designed to improve population health.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,038

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,357
Écart entre enseignants0,342 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Health ServicesMême sujetHealth disparities and outcomesTravaux en français237 207