Economic Inequality and COVID-19\nDeaths and Cases in the First Wave: A\nCross-Country Analysis
Notice bibliographique
Résumé
À partir d’un échantillon formé de différents pays à l’échelle de la planète, cette recherche étudie la relation entre d’une part les taux de cas d’infection et de décès liés à la maladie à coronavirus 2019 (COVID-19) lors de la première vague pandémique et d’autre part, l’inégalité des revenus et la pauvreté mesurées précédemment, en tenant compte d’autres facteurs sous-jacents. Si les associations estimées sont interprétées comme causales, le coefficient de Gini pour le revenu a un effet positif significatif sur les cas d’infection et de décès per capita pour les régressions utilisant l’échantillon complet et sur les cas d’infection, mais non sur les décès, lorsque les échantillons des pays membres et des pays non membres de l’Organisation de coopération et de développement économique (OCDE) sont traités séparément. Le coefficient de Gini pour la richesse a un effet positif significatif sur les cas d’infection et non sur les décès dans les deux sous-échantillons et dans l’échantillon complet. La pauvreté a, en général, de faibles effets positifs dans l’échantillon complet et dans celui des pays non membres de l’OCDE, mais la mesure de la pauvreté relative a un effet positif élevé sur les cas d’infection des pays membres de l’OCDE. L’analyse de l’écart entre les cas d’infection et de décès per capita dus à la COVID-19 lors de la première vague au Canada et les taux plus élevés aux États-Unis indique que 37 % de l’écart des cas et 28 % de l’écart des décès peuvent être attribués à un plus haut Gini des revenus aux États-Unis selon les régressions de l’échantillon complet. Abstract: The cross-country relationship of coronavirus disease 2019 (COVID-19) case and death rates with previously measured income inequality and poverty in the pandemic’s first wave is studied, controlling for other underlying factors, in a worldwide sample of countries. If the estimated associations are interpreted as causal, the Gini coefficient for income has a significant positive effect on both cases and deaths per capita in regressions using the full sample and for cases but not for deaths when Organisation for Economic Co-operation and Development (OECD) and non-OECD sub-samples are treated separately. The Gini coefficient for wealth has a significant positive effect on cases, but not on deaths, in both sub-samples and in the full sample. Poverty generally has weak positive effects in the full and non-OECD samples, but a relative poverty measure has a strong positive effect on cases in the OECD sample. Analysis of the gap between COVID-19 first-wave cases and deaths per capita in Canada and the higher rates in the United States indicates that 37 percent of the cases gap and 28 percent of the deaths gap could be attributed to the higher-income Gini in the United States according to the full-sample regressions.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».