State-level income inequality and the odds for meeting fruit and vegetable recommendations among US adults
Notice bibliographique
Résumé
BACKGROUND: Previous research indicates that income inequality is associated with risk for mortality, self-rated health status, chronic conditions, and health behavior, such as physical activity. However, little is known about the relationship between income inequality and dietary intake, which is a major risk factor for common chronic diseases including heart disease, stroke, diabetes, and certain types of cancers. The objective of this study is to determine the association between US state income inequality and fruit and vegetable consumption among adults. METHODS: Cross-sectional data on 270,612 U.S. adults from the U.S. 2013 Behavioral Risk Factor Surveillance System was used. Fruit and vegetable consumption was assessed from the six-item fruit and vegetable frequency questionnaire, which is part of the Behavioral Risk Factor Surveillance System. Multilevel modeling was used to determine whether US state-level income inequality (measured by the z-transformation of the Gini coefficient) was associated with fruit and vegetable consumption adjusting for individual-level and state-level covariates. RESULTS: In comparison to men, women were more likely to consume fruits and vegetables ≥5 times daily, fruits ≥2 times daily, vegetables ≥3 times of daily, and less likely to consume fruit juice daily. Among both men and women, a standard deviation increase in Gini coefficient was associated with an increase in consuming fruit juice daily (OR = 1.07, 95% CI = 1.03, 1.11). However, among women, a standard deviation increase in Gini coefficient was associated with a decreased likelihood in meeting daily recommended levels of both fruits and vegetables (OR = 0.93; 0.87-0.99), fruits only (OR = 0.95; 95% CI, 0.92-0.99) and vegetables only (OR = 0.92; 95% CI, 0.89-0.96). CONCLUSIONS: This study is one of the first to show the relationship between income inequality and fruit and vegetable consumption among U.S. adults empirically. Women's health is more likely to be detrimentally affected when living in a state with higher income inequality.
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 | 0,001 | 0,003 |
| 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) | 0,002 | 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 ».