Comparing US state resident IQ, socioeconomic status, and racial-ethnic composition as predictors of state violent crime rates
Notice bibliographique
Résumé
This study examined the extent to which state resident IQ, socioeconomic status (SES), and five racial-ethnic composition variables can independently account for differences in violent crime rates across the 48 contiguous American states using correlation and multiple regression strategies focused on 2019. Pearson correlations indicated that state violent crime rates significantly correlated − .69 with IQ, − .54 with SES, .39 with a racial-ethnic diversity composite, − .52 with White population percent, .30 with Black population percent, and .39 with Hispanic population percent. One set of five sequential multiple regression equations indicated that a state racial-ethnic diversity composite, White population percent, and Black population percent, still were significant predictors of state violent crime rates with socioeconomic status controlled. A second set of five equations showed none of the five racial-ethnic variables was a significant predictor of crime rates with IQ controlled. A third set of five equations showed that neither SES nor any of the racial-ethnic variables was a significant predictor with IQ controlled, and that IQ remained a significant predictor with SES and each of the five racial-ethnic variables in turn controlled. The findings persisted with multicollinearity and spatial autocorrelation considered. The results demonstrate the large and predominant negative relation of state resident IQ to state violent crime rates and its capacity to eliminate the relations of SES and racial-ethnic variables to those crime rates. Generally, the results underline the importance of evaluating potential crime rate predictors in a multiple regression model rather than testing their predictive capacities only as single variables.
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 | 0,000 | 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 | 0,000 | 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 ».