Assessing COVID-19 risk with temporal indices and geographically weighted ordinal logistic regression in US counties
Notice bibliographique
Résumé
PURPOSE: Research on the novel coronavirus diseases 2019 (COVID-19) mainly relies on cross-sectional data, but this approach fails to consider the temporal dimension of the pandemic. This study assesses three temporal dimensions of the COVID-19 infection risk in US counties, namely probability of occurrence, duration of the pandemic, and intensity of transmission, and investigate local patterns of the factors associated with these risks. METHODS: Analyzing daily data between January 22 and September 11, 2020, we categorize the contiguous US counties into four risk groups-High-Risk, Moderate-Risk, Mild-Risk, and Low-Risk-and then apply both conventional (i.e., non-spatial) and geographically weighted (i.e., spatial) ordinal logistic regression model to understand the county-level factors raising the COVID-19 infection risk. The comparisons of various model fit diagnostics indicate that the spatial models better capture the associations between COVID-19 risk and other factors. RESULTS: The key findings include (1) High- and Moderate-Risk counties are clustered in the Black Belt, the coastal areas, and Great Lakes regions. (2) Fragile labor markets (e.g., high percentages of unemployed and essential workers) and high housing inequality are associated with higher risks. (3) The Monte Carlo tests suggest that the associations between covariates and COVID-19 risk are spatially non-stationary. For example, counties in the northeastern region and Mississippi Valley experience a stronger impact of essential workers on COVID-19 risk than those in other regions, whereas the association between income ratio and COVID-19 risk is stronger in Texas and Louisiana. CONCLUSIONS: The COVID-19 infection risk levels differ greatly across the US and their associations with structural inequality and sociodemographic composition are spatially non-stationary, suggesting that the same stimulus may not lead to the same change in COVID-19 risk. Potential interventions to lower COVID-19 risk should adopt a place-based perspective.
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 | 0,007 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».