Model and code for "The spatial structure of socioeconomic disadvantage: a Bayesian multivariate spatial factor analysis"
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This repository contains the data, model code, and initial values for a spatial factor analysis model described in: The spatial structure of socioeconomic disadvantage: a Bayesian multivariate spatial factor analysis. <i>International Journal of Geographical Information Science.</i><i><br></i>The <i>International Journal of Geographical Information Science </i>is available at: https://www.tandfonline.com/toc/tgis20/current<i><br></i><i><br></i>Abstract:Neighborhood socioeconomic disadvantage is a measure of socio-spatial inequality that has been shown to be associated with a variety of social, economic, and health outcomes. Existing studies that explore the local patterning of disadvantage often construct composite indices that summarize the interactions between multiple dimensions of social status, but do not consider if, and how, disadvantage exhibits spatial structure. This study applies a Bayesian multivariate factor analytic modeling approach to examine the spatial structure of socioeconomic disadvantage in Toronto, Canada. Socioeconomic disadvantage is modeled as an area-based composite index associated with three variables measuring low income, low educational attainment, and low occupational status, and a series of models with different assumptions regarding the spatial structure of disadvantage are compared. The best-fitting model shows that the prevalence of low-income households has the strongest positive association with disadvantage and that spatial clustering is three times more important than spatial heterogeneity for explaining the spatial structure of disadvantage. The implications of this study for analyzing multivariate spatial data and for understanding the interactions amongst multiple dimensions of disadvantage are discussed.<br><i></i><br>
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,069 | 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 découle