Small area variation in severe, moderate, and mild anemia among women and children: A multilevel analysis of 707 districts in India
Notice bibliographique
Résumé
India is home to the highest global number of women and children suffering from anemia, with one in every two women impacted. India's current strategy for targeting areas with a high anemia burden is based on district-level averages, yet this fails to capture the substantial small area variation in micro-geographical (small area) units such as villages. We conducted statistical and econometric analyses to quantify the extent of small area variation in the three grades of anemia (severe, moderate, and mild) among women and children across 36 states/union territories and 707 districts of India. We utilized data from the fifth round of the National Family Health Survey conducted in 2019–21. The final analytic sample for analyses was 183,883 children aged 6–59 months and 690,153 women aged 15–49 years. The primary outcome variable for the analysis was the three anemia grades among women and children. We adopted a three-level and four-level logistic regression model to compute variance partitioning of anemia among women and children. We also computed precision-weighted prevalence estimates of women and childhood anemia across 707 districts and within-district, between-cluster variation using standard deviation (SD). For severe anemia among women, small area (villages or urban blocks) account for highest share (46.1%; Var: 0.494; SE: 0.150) in total variation followed by states (39.4%; Var: 0.422; SE: 0.134) and districts (12.8%; Var: 0.156; SE: 0.012). Similarly, clusters account for the highest share in the variation in severe (61.3%; Var: 0.899; SE: 0.069) and moderate (46.4%: Var: 0.398; SE: 0.011) anemia among children. For mild and moderate anemia among women, however, states were the highest source of variation. Additionally, we found a high and positive correlation between mean prevalence and inter-cluster SD of moderate and severe anemia among women and children. In contrast, the correlation was weaker for mild anemia among women (r = 0.61) and children (0.66). In this analysis, we are positing the critical importance of small area variation within districts when designing strategies for targeting high burden areas for anemia interventions.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».