Inequality in Housing Payment Insecurity Across the United States During the COVID-19 Pandemic: Who Was Affected and Where?
Notice bibliographique
Résumé
Widespread job losses and economic disruptions during the COVID-19 pandemic led to significant housing payment insecurity, disproportionately affecting various demographic groups and regions across the United States (US). While previous studies have explored the pandemic’s impact on housing insecurity, they all focused on specific periods, populations or areas. No study has yet provided a comprehensive analysis of inequality in housing insecurity throughout the pandemic, particularly in terms of spatial disparities. Our study addresses this gap by analyzing individual-level and aggregated data from the Household Pulse Survey (HPS) (N = 2,062,005). The findings reveal heightened vulnerability among individuals aged 40–54, those with lower education and income, Black and Hispanic/Latino populations, women, households with children, individuals who experienced job loss, the divorced, and larger households. Renters experienced greater housing insecurity than homeowners. A hotspot analysis identified the southeastern US as a region of acute housing insecurity, revealing that insecurity cannot be solely measured by affordability. The regression results show that poverty is the main reason for differences in housing insecurity across places, and rent burden is also important. The geographically weighted regression (GWR) model shows stronger coefficients in southern states, highlighting that poverty and rent burden are particularly influential factors in these areas. This study shows the multifaceted nature of housing insecurity, calling for targeted group or location policy interventions.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».