Understanding the association between county-level unemployment and health stratified by education and income in the southwestern United States
Notice bibliographique
Résumé
Past research on the relationship between unemployment rates and population health has produced mixed findings. The relationship can be influenced by the kinds of health outcomes observed, time frame, level of geographic aggregation, and other factors. Given these mixed findings, there is a need to add to our knowledge about how unemployment rates and population health are related. There is limited research that examines the association of unemployment rates with both physical and mental health, while simultaneously stratifying populations by income and education levels. Using survey-based self-reported data, this first population-based study examined the association between unemployment rates and physically and mentally unhealthy days in the southwestern United States, by county-level stratification of income (high and low) as well as education (high and low), from 2015 to 2019. After controlling for covariates, associations were modelled using negative binomial regression, with autocorrelative residuals, and were reported as rate ratios (RR). Overall, we found that a 1% rise in unemployment rates was significantly associated with an increase in physically unhealthy days [adjusted RR 1.007; 95% CI, 1.004-1.011, P < 0.001] and mentally unhealthy days [RR 1.006; 95% CI, 1.003-1.009, P < 0.001]. Upon stratification, a significant risk was found among the high education and high income category [RR 1.035; 95% CI, 1.021-1.049, P < 0.001], as well as for the high education and low income category [RR 1.026; 95% CI, 1.013-1.040, P < 0.001]. A better understanding of how unemployment is associated with the health of communities with different education and income levels could help reduce the burden on society through tailored interventions and social policies not only in the United States, but also in other developed nations.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».