Familial Risk and Dowry Demand: Are they Causal Factors for Physical and Psychological Violence among Women? A Structural Equation Modeling
Notice bibliographique
Résumé
Background: In India, studies dealt with domestic violence have used linear or logistic regression to present risk factors. These methods do not allow studying the impact of intermediate variables on the path which could exert indirect or mediation effects on the outcome. This study investigated the direct and indirect effects of familial risk and dowry demand on physical and psychological violence through the mediating variables: alcohol use, women characteristics and social support. Study design: A population-based, cross-sectional household survey was conducted at seven sites in six states across India, based on 9938 women. Methods: Confirmatory Factor Analysis and Structural equation models were used to investigate the associations of familial risk, dowry demand and mediating variable use with physical and psychological violence. Models were assessed using goodness of fit statistics. Results: The direct and indirect relationship between familial risk and physical violence with regression coefficient was 0.323 and 0.100 respectively. Similarly, for psychological violence was 0.151 and 0.371 respectively. The dowry demand had indirect effect (0.209) on psychological violence through the mediating variables such as alcohol use, women characteristics, social support and physical violence as compared to direct effects (0.112). The model fit statistics had a moderately good fit with RMSEA=0.09, Chi square with p<0.001 and CFI 0.87. Conclusion: Despite the fact that the women were exposed to abuse during childhood period the mediating variables such as social support, women characteristics and Husbands alcohol use etc., have a significant role to play to contain the both physical and psychological violence.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».