Explaining subjective social status and health: Beyond education, occupation and income
Notice bibliographique
Résumé
Subjective measures of social status often explain variations in health better than the typical objective measures of education, occupation, and income. This raises the question: if status affects health, then what affects status? To answer this, we ran a survey using representative samples of adult populations in the UK, US and Canada (n = 3,431) to gather data on respondents' subjective social status (SSS) and health-related quality of life (HRQoL), alongside an extensive, rarely gathered set of socioeconomic variables: education, occupation, income, comparative income, wealth, childhood circumstances, parents' education, partner's education, and social and cultural capital. We conduct Shapley-Owen decompositions to identify the relative contributions of these variables in explaining variation in SSS and HRQoL and use RIF (recentered influence function) -regressions to go beyond the mean and identify how these contributions change across the quantiles of SSS and HRQoL. Results show that education, occupation, and income explain relatively little of the explained variation in SSS (26%), while comparative income, wealth and childhood circumstances together explain more than 60%. We find that at higher quantiles of SSS and HRQoL the more subjective and relativistic measures of socioeconomic status contribute more to the explained variation, whilst at lower quantiles, variation is better explained by the more objective socioeconomic variables (i.e. education, occupation, income and wealth). These findings shed light on how policy makers could consider intervening to reduce health inequalities. • Cross-country survey data on health and an extensive set of socioeconomic variables. • Identify contributions of these variables in explaining health and social status. • Education, occupation and income explain relatively little variation. • Comparative income and wealth explain relatively more variation. • Objective socioeconomic variables have higher contributions at lower quantiles.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».