Inequalities in demand satisfied with modern methods of family planning among women aged 15–49 years: a secondary data analysis of Demographic and Health Surveys of six South Asian countries
Notice bibliographique
Résumé
OBJECTIVE: To estimate educational and wealth inequalities in demand satisfied with modern methods of family planning (mDFPS). DESIGN: A secondary data analyses of Demographic and Health Surveys. SETTING: Six South Asian countries, Afghanistan (2015), Bangladesh (2014), India (2015-2016), Maldives (2016-2017), Nepal (2016) and Pakistan (2017-2018). PARTICIPANTS: Women aged 15-49 years. Primary and secondary outcome measures mDFPS was defined as married women aged 15-49 years or their partners, who desired no child, no additional children or to postpone the next pregnancy and who are currently using any modern contraceptive method. We estimated weighted and age-standardised estimates of mDFPS. We calculated the slope index of inequality (SII) and relative index of inequality (RII) as the measures of socioeconomic inequalities. RESULTS: A total of 782 639 women were surveyed. The response rate was 84.0% and above. The prevalence of mDFPS was below 50% in Maldives (22.8%, 95% CI 20.7 to 25.0), Pakistan (42.0%, 95% CI 39.9 to 44.0) and Afghanistan (39.1%, 95% CI 36.9 to 41.3), whereas Bangladesh had achieved 76% (75.8%, 95% CI 74.2 to 77.3). Both wealth and educational inequalities varied in magnitude and direction between the countries. Except in Nepal and Bangladesh, mDFPS wealth inequalities showed a trend of increasing mDFPS as we moved towards richer, and richest wealth quintiles that is, pro-poor (RII (0.5 to 0.9); SII (-4.9 to -23.0)). In India and Nepal, higher versus no education was in favour of no education (higher mDFPS among not educated women) (RII 1.1 and 1.4; SII 4.1 and 15.3, respectively) and reverse in other countries ((RII (0.4 to 0.8); SII (-10.5 to -30.3)). Afghanistan, Maldives and Pakistan fared badly in both educational and wealth inequalities among the countries. CONCLUSIONS: South Asia region still has a long way ahead towards achieving universal access to mDFPS. Diverse patterns of socioeconomic inequalities between the countries call for national governments and international development agencies to target the population subgroups for improving the mDFPS coverage.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».