Socioeconomic inequality in smoking: Evidence from a decomposition analysis
Notice bibliographique
Résumé
ProblemVietnam is a lower-middle-income country with a very high prevalence of smoking among men. The poor are more likely to smoke than the better off. In this study, we examine socioeconomic inequality in smoking and factors associated with the wealth-related inequality of smoking in Vietnam.MethodsWe use data from the 2010 and 2015 Global Adult Tobacco Surveys (GATS). We use a concentration index approach to assess differences in smoking behavior over the distribution of wealth levels. We also use the regression-based decomposition method developed by Wagstaff et al. (2003) and Doorslaer and Koolman (2004) to decompose wealth-related inequality in smoking into inequalities in wealth and other explanatory variables, such as men's age and education.ResultsPoorer men are more likely to smoke and smoke more than those better off. In 2015, 47.9% in the poorest wealth quintile smoked every day compared to 29.1% in the richest quintile. In 2015, the concentration index of wealth-related inequality in daily smoking was estimated at −0.104 (CI: 0.135; −0.072). Education and occupation are important factors in wealth-related inequality in smoking, because the poor tend to have lower education levels and are employed in unskilled jobs but are more likely than the rich to be smokers. At 41.4%, unskilled workers make the largest contribution to wealth-related inequality in smoking.ConclusionsOur findings suggest that tobacco prevention efforts should be focused on poor, less educated people. Policies that boost the access of the poor to education and better employment can help them not only increase their wealth level but also reduce smoking, thereby narrowing the wealth-inequality gap in smoking.
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 | 0,010 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».