How prices and income influence global patterns in saturated fat intake by age, sex and world region: a cross-sectional analysis of 160 countries
Notice bibliographique
Résumé
Objective When considering proposals to improve diets, it is important to understand how factors like price and income can affect saturated fat (SF) intake and demand. In this study, we examine and estimate the influence of price and income on intake across 160 countries, by age and sex, and derive sensitivity measures (price elasticities) that vary by age, sex and world region.\n\nDesign We econometrically estimate intake responsiveness to income and prices across countries, accounting for differences by world region, age and sex. Intake data by age, sex and country were obtained from the 2018 Global Dietary Database. These data were then linked to global price data for select food groups from the World Bank International Comparison Programme and income data from the World Development Indicators Databank (World Bank).\n\nResults Intake differences due to price were highly significant, with a 1% increase in price associated with a lower SF intake (% energy/d) of about 4.3 percentage points. We also find significant differences across regions. In high- income countries, median (age 40) intake reductions were 1.4, 0.8 and 0.2 percentage points, given a 1% increase in the price of meat, dairy, and oils and fats, respectively. Price elasticities varied with age but not sex. Intake differences due to income were insignificant when regional binary variables were included in the analysis.\n\nConclusion The results of this study show heterogeneous associations among prices and intake within and across countries. Policymakers should consider these heterogeneous effects as they address global nutrition and health challenges.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».