A tutorial on a marginal structural modeling approach to mediation analysis in occupational health research: Investigating education, employment quality, and mortality
Notice bibliographique
Résumé
Abstract Life expectancy inequities between more‐ and less‐educated groups have grown by 1 to 2 years over the last several decades in the United States. Simultaneously, employment conditions for many workers have deteriorated. Researchers hypothesize that these adverse conditions mediate educational inequities in mortality. However, methodological barriers have impeded research on the role of employment conditions and other hazards as mediating factors in health inequities. Indeed, traditional mediation analysis methods are often biased in occupational health settings, including in those with exposure‐mediator interactions and mediator‐outcome confounders that are caused by exposure. In this paper, we outline—and provide code for—a marginal structural modeling (MSM) approach for estimating total effects and controlled direct effects originally proposed elsewhere, which can be applied to common mediation analysis settings in occupational health research. As an example, we apply our approach to assess the extent to which disparities in employment quality (EQ)—a multidimensional construct characterizing the terms and conditions of the worker‐employer relationship—explained educational inequities in mortality in a 1999–2015 US Panel Study of Income Dynamics sample of workers with mortality follow‐up through 2017. Under certain strong assumptions described in the text, our estimates suggest that over 70% of the educational inequity in mortality would have been eliminated if EQ had been at the 80th percentile (100th = best) across exposure groups.
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 | 0,022 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,005 |
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 ».