The Price Is Not Right: Grocery Taxation, Race, and Food Security During COVID-19
Notice bibliographique
Résumé
Using recent data from a national sample of 2.8 million households surveyed by the Household Pulse Survey (HPS) (U.S. Census Bureau 2022), this research examines the relationships across food insecurity, grocery taxes, and race during the COVID-19 pandemic. This research asks: How does a respondent’s household food insecurity differ in states that impose grocery taxes compared to states without grocery taxes? How does a respondent’s food insecurity differ by their race? How do these trends reflect government COVID-19 relief policy during this time? This analysis provides a baseline reporting of factors associated with food insecurity during the Covid-19 pandemic using the most recent HPS data. Overall, 35% of respondents report being food insecure at some point during the pandemic. Using survey-weighted logistic regressions and controlling for background demographic and socio-economic variables, this research finds that food insecurity is higher for respondents living in states with grocery taxes compared to those in states without grocery taxes. As the pandemic progresses, a substantial gap in food insecurity is observed; respondents in states with grocery taxes reported higher food insecurity compared to respondents in states without grocery taxes, net of other effects. This research also finds that food insecurity is a more salient issue for Black respondents; Black households in states with grocery taxes have a 43% predicted probability of reporting current food insecurity compared to 34% for white respondents in states without grocery taxes, net of the other covariates. Grocery taxes and being Black negatively affect food security during the Covid-19 pandemic.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».