Spatial analysis of under-five mortality in Africa using geographically weighted poisson regression
Notice bibliographique
Résumé
Child mortality remains a significant public health challenge in developing countries despite the global decline in under-five deaths. The disparities in child mortality rates can be attributed to socioeconomic and environmental inequalities across nations. While several studies have examined geographic variations in under-five mortality in Africa using economic and health indicators, few have applied spatial analysis to characterize these patterns. This study employs Geographically Weighted Poisson Regression (GWPR) to uncover spatially varying in effects of global indicators on under-five mortality across Africa, offering a detailed understanding not captured by conventional global models. Data on under-five mortality rates and economic and health indicators were obtained from the World Bank’s World Development Indicators (WDI) for 2022 across 54 African countries. A Poisson regression model and GWPR were applied to examine the associations between under-five mortality and various socioeconomic and environmental factors. The results indicate substantial spatial heterogeneity in child mortality across countries. The GWPR model (AICc = 221.25, Pseudo R 2 = 86.5%) outperformed the conventional Poisson regression model (AICc = 360.733, Pseudo R 2 = 58.4%), highlighting the benefits of incorporating spatial variability. Key findings revealed that under-five mortality was positively associated with open defecation and negatively associated with literacy, health expenditure, access to electricity, and basic sanitation. Additionally, the relationship between under-five mortality, gross national expenditure, and access to basic drinking water varied across regions. These findings emphasize the need for localized, evidence-based interventions to address child mortality more effectively in Africa.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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) | 0,000 | 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 ».