Differential Employment Quality and Educational Inequities in Mental Health: A Causal Mediation Analysis
Notice bibliographique
Résumé
BACKGROUND: In the United States, inequities in mental distress between those more and less educated have widened over recent years. Employment quality, a multidimensional construct reflecting the relational and contractual features of employer-employee relationships, may mediate this inequity throughout adulthood, yet no study has examined the extent of this mediation in the United States, or how it varies across racialized and gendered populations. METHODS: Using the information on working-age adults from the 2001 to 2019 Panel Study of Income Dynamics, we construct a composite measure of employment quality via principal component analysis. Using this measure and the parametric mediational g-formula, we then estimate randomized interventional analogs for natural direct and indirect effects of low baseline educational attainment (≤high school: no/yes) on the end-of-follow-up prevalence of moderate mental distress (Kessler-6 Score ≥5: no/yes) overall and within subgroups by race and gender. RESULTS: We estimate that low educational attainment would result in a 5.3% greater absolute prevalence of moderate mental distress at the end of follow-up (randomized total effect: 5.3%, 95% CI = 2.2%, 8.4%), with approximately 32% of this effect mediated by differences in employment quality (indirect effect: 1.7%, 95% CI = 1.0%, 2.5%). The results of subgroup analyses across race and gender are consistent with the hypothesis of mediation by employment quality, though not when selecting on full employment (indirect effect: 0.6%, 95% CI = -1.0%, 2.6%). CONCLUSIONS: We estimate that approximately one-third of US educational inequities in mental distress may be mediated by differences in employment quality.
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 | 0,003 | 0,001 |
| 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) | 0,001 | 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 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 ».