Socioeconomic Disparities in the Prevalence of Disability in Iran: A Decomposition Analysis Using the Concentration Index
Notice bibliographique
Résumé
Objective Various factors, including injuries, health conditions, demographics, environmental influences, and socioeconomic factors, can elevate the risk of disability.This study estimates the socioeconomic inequality associated with disability prevalence within Iran's general population.Materials & Methods This research used secondary data from the 2011 Iran multiple indicator demographic and health survey (IrMIDHS).The concentration index was used to evaluate socioeconomic-related inequality in disability prevalence.The outcome variable, disability prevalence, was measured as a binary indicator.The concentration index was also decomposed to identify the primary factors contributing to socioeconomic inequality in disability prevalence.Available demographic data included age, gender, location (rural or urban residence), and socioeconomic indicators, such as educational attainment and wealth index.Results A total of 86 403 Iranian individuals, aged 1 to 95 years, participated in the survey, with a mean age of 28.88 years (0.06).Disability prevalence within the study population was 6.29% (n=5 432).The concentration index for disability was calculated at 0.15 (P<0.001),indicating that disability prevalence was disproportionately higher among those with greater socioeconomic status.The analysis highlighted the wealth index as the key factor driving this inequality, contributing to 87.41% of the total socioeconomic disparity in disability prevalence.Conclusion The findings indicated that socioeconomic-related inequality in the prevalence of disability was concentrated among well-off participants.Accordingly, identifying the cause of disabilities in groups with higher socioeconomic status is suggested to formulate policy options to prevent disabilities and provide needed support.
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 | 0,002 | 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) | 0,000 | 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 ».