MétaCan
Menu
Retour à la cohorte
Enregistrement W3046099513 · doi:10.1002/hec.4139

Does greater unemployment make people thinner in Brazil?

2020· article· en· W3046099513 sur OpenAlexaboutno aff
Lívia Madeira Triaca, Paulo de Andrade Jacinto, Marco Túlio Aniceto França, César Augusto Oviedo Tejada

Notice bibliographique

RevueHealth Economics · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueEmployment and Welfare Studies
Établissements canadiensnon disponible
Organismes subventionnairesCoordenação de Aperfeiçoamento de Pessoal de Nível Superior
Mots-clésMicrodata (statistics)UnemploymentOverweightObesityEconomicsDemographic economicsContext (archaeology)Unemployment rateProxy (statistics)DemographyMedicineEnvironmental healthGeographyEconomic growthPopulationEndocrinologySociologyStatistics

Résumé

récupéré en direct d'OpenAlex

The study seeks to analyze the impact of macroeconomic conditions on weight measures, such as BMI, overweight, obesity, and severe obesity in Brazil. We examine this relationship in the specific context of a middle-income country that differs in many aspects from the high-income countries usually considered in the literature. The study uses the microdata of VIGITEL in the period from 2006 to 2014 and the state unemployment rate as a proxy for macroeconomic conditions. The results showed that the relationship is robust and presents a procyclical pattern-increases in the unemployment rate reduce BMI, and this reduction is observed throughout the entire distribution, with statistically significant effects for measures of overweight, obesity, and severe obesity. These results agree with the findings for the United States but contradict the results found for Finland and Canada.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,515
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,068
Tête enseignante GPT0,380
Écart entre enseignants0,312 · 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 tête enseignante, 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

Citations7
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHealth EconomicsMême sujetEmployment and Welfare StudiesTravaux en français237 207