Additional file 1 of The impact of alcohol taxation increase on all-cause mortality inequalities in Lithuania: an interrupted time series analysis
Notice bibliographique
Résumé
Additional file 1: Figure S1. Monthly death count across the study period by sex, age group and education. Figure S2. Monthly population count (person-years) across the study period by sex, age group and education. Figure S3. Monthly age-standardized mortality rates across the study period by sex and education. Figure S4. Monthly death count of lower educated persons for 2011 compared to all remaining years, by sex and age group. Figure S5. Cross-correlation of potentially confounding variables with absolute mortality difference among men. Figure S6. QQ-plots of dependent variables. Figure S7. Time series of the four dependent variables (mortality difference and ratio by sex). Table S1. Source and availability of potentially confounding variables. Table S2. Correlation of potentially confounding variables with mortality inequalities (dependent variables). Table S3. Baseline model selection for time series of n=71 months between April 2011 and February 2017. Table S4. Main model selection – mortality difference. Table S5. Main model selection – mortality ratio (logarithmized). Table S6. Cause of death groupings. Table S7. Changes in mortality inequalities (absolute difference in age-standardized mortality rate) by cause-of-death grouping for men.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,408 | 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 ».