Is the lack of smartphone data skewing wealth indices in low-income settings?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Smartphones have rapidly become an important marker of wealth in low- and middle-income countries, but international household surveys do not regularly gather data on smartphone ownership and these data are rarely used to calculate wealth indices. METHODS: We developed a cross-sectional survey module delivered to 3028 households in rural northwest Burkina Faso to measure the effects of this absence. Wealth indices were calculated using both principal components analysis (PCA) and polychoric PCA for a base model using only ownership of any cell phone, and a full model using data on smartphone ownership, the number of cell phones, and the purchase of mobile data. Four outcomes (household expenditure, education level, and prevalence of frailty and diabetes) were used to evaluate changes in the composition of wealth index quintiles using ordinary least squares and logistic regressions and Wald tests. RESULTS: Households that own smartphones have higher monthly expenditures and own a greater quantity and quality of household assets. Expenditure and education levels are significantly higher at the fifth (richest) socioeconomic status (SES) quintile of full model wealth indices as compared to base models. Similarly, diabetes prevalence is significantly higher at the fifth SES quintile using PCA wealth index full models, but this is not observed for frailty prevalence, which is more prevalent among lower SES households. These effects are not present when using polychoric PCA, suggesting that this method provides additional robustness to missing asset data to measure underlying latent SES by proxy. CONCLUSIONS: The lack of smartphone data can skew PCA-based wealth index performance in a low-income context for the top of the socioeconomic spectrum. While some PCA variants may be robust to the omission of smartphone ownership, eliciting smartphone ownership data in household surveys is likely to substantially improve the validity and utility of wealth estimates.
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 découle