Racial/Ethnic Differences in Light of 100% Smoke-free State Laws: Evidence from Adults in the United States
Notice bibliographique
Résumé
This study estimates racial/ethnic differences in the association between 100% smoke-free state laws and smoking, as well as self-reported health, to facilitate policy aimed at reducing disparities. Data pertain to adults aged 18 years and older, obtained from the public-use Behavioral Risk Factor Surveillance System (2002-2014). The authors exploit variation in the timing of 100% smoke-free state laws using a difference-in-differences model. Examining heterogeneity across racial/ethnic minority groups, the authors consider the association between smoke-free laws and the probability of being: a daily smoker (versus occasional); an occasional smoker (versus former); and at the top of the self-reported health scale (versus the bottom). The authors find that 100% smoke-free state laws were not correlated with smoking among women. Moreover, racial/ethnic minority men who smoked occasionally were less likely to quit than white men, and results suggest that smoke-free laws did not reduce these disparities. However, there is evidence that smoke-free laws reduced the probability of being a daily smoker for Asian and Hispanic/Latinx men, but not the probability of quitting or being at the top of the self-reported health scale. More generally, smoke-free laws were not associated with self-reported health, except that there may have been an improvement among nonsmoking American Indian/Alaska Native women. These findings underscore the importance of looking beyond average effects to consider how 100% smoke-free state laws impact racial/ethnic minorities. There is evidence that they reduced smoking and improved self-reported health for some groups, but a suite of tobacco control policies is necessary to reduce racial/ethnic disparities more broadly.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».