Socioeconomic patterning of self-rated health trajectories in Canada: A mixture latent Markov model
Notice bibliographique
Résumé
This thesis investigates the association between socioeconomic position and self-rated health trajectories among Canadians. Data come from the Survey of Labour and Income Dynamics (SLID), Panel 4 (year 2002 to 2008), conducted by Statistics Canada. These longitudinal data are analyzed using mixed latent Markov model which allows for modeling multiple trajectories of health. Goodness of fit tests showed three trajectories (good health, poor health, and fluctuating health) to provide the best fit to the data. The results show that more than three quarters of Canadians were in the constant good health trajectory whereas 13.95% and 7.99% of Canadians were respectively in the persistent ill health trajectory and fluctuating health trajectory. The relative risk ratios indicate that increasing income and education are independently associated with a greater likelihood of belonging to the persistent good health trajectory rather than the persistent poor health trajectory. Both associations accounted for possible confounders including gender, age, marital status, immigrant status and visible minority status. These results suggest that a socioeconomic gradient exists in the likelihood of belonging to given health trajectories. In addition, the use of mixed latent Markov model is robust in accounting for certain issues inherent to longitudinal analysis. Notably, the Markov chain models the dependency between repeated measurements within the same individual; it allows for the modeling of the latent variables estimate measurement error; the heterogeneity of the population is accounted by finite mixture modeling; and lastly, missing data are dealt with using full information maximum likelihood.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».