Effect of Education on Attitude Towards Domestic Violence in Nigeria: An Exploration Using Propensity Score Methodology
Notice bibliographique
Résumé
Propensity Score Methodology (PSM) was used to investigate the effect of education on attitude towards domestic violence (ATDV) among men and women in Nigeria. A total of 14,495 and 33,419 records were extracted for men and women respectively from the 2016-2017 Multiple Indicator Cluster Survey (MICS) in Nigeria. The outcome variable was ATDV. The study framework described the role of education on ATDV in the light of demographic characteristics, socioeconomic profile, and lifestyle. Selection bias was checked among the levels of education using the multinomial logit regression. Propensity scores (PS) and PS weights were generated for the treatment variable and average treatment effects (ATE) of ATDV were estimated using logistic regression that combined regression adjustment and inverse-probability weight. Descriptive statistics, odds ratios and 95%CI were presented. The mean age of men and women were 30.8±10.2 years and 29±9.4 years respectively. About 22% men and 35% women justified domestic violence (DV) respectively. Selection bias was found between the covariates and level of education (p<0.05). PSM effectively corrected the selection bias (SD diff ≈ 0, Variance ratio ≈ 1). Men (AOR = 0.84, 95% CI: 0.78, 0.92) and women (AOR=0.94, 95%CI: 0.80, 2.22) who have attained tertiary level of education were less likely to justify DV in comparison to their uneducated counterparts. Tertiary education was protective for ATDV among men and women. The use of PSM effectively controlled for selection bias in estimating the effect of education on ATDV. PSM will enable researchers make causal inference from non-experimental/cross-sectional studies in situations where randomized control trials are not feasible.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».