2016年-世界发展银行全球_Small_Area_Estimation_of_Child_Malnutrition_in_Ethiopian_Woredas_30页_2mb

报告摘要

总结：小区域估计儿童营养不良在埃塞俄比亚的沃达（Woreda）水平

核心内容

本研究利用小区域估计（Small Area Estimation, SAE）方法，对埃塞俄比亚2014年各沃达（Woreda）的儿童营养不良情况进行估计。研究旨在填补现有数据不足的空白，为更有效的政策制定提供依据。埃塞俄比亚政府认识到儿童营养不良仍是重要的公共卫生挑战，尽管过去15年有显著改善，但仍有48%的五岁以下儿童存在营养不良（包括消瘦、体重不足和生长迟缓）。

主要观点

SAE方法的有效性
小区域估计方法在控制家庭特征（如财富和教育水平）的情况下，仍能有效预测营养不良水平，是重要的政策定位工具。
营养不良的地域差异
不同地区的儿童营养不良情况存在显著差异，且这些差异在不同营养不良指标（如营养不良比例、数量和集中度）中表现不同，表明不同地区面临不同的挑战。
地理变量的重要性
地理变量在营养不良回归模型中发挥了重要作用，特别是在解释营养不良比例和集中度方面。例如，在柬埔寨的研究中，地理变量和交互项将模型解释力提升至40%至60%。
营养不良指标之间的关系
在2014年的EMDHS调查中，体重不足与生长迟缓之间存在高度相关性（0.52），但体重不足与消瘦之间没有显著相关性。因此，体重不足可作为消瘦的不完全代理指标，而生长迟缓与消瘦无相关性。
标准误差的分析
小区域估计的标准误差普遍较高，尤其是儿童数量较少的沃达。这表明在某些地区，估计结果的不确定性较大，需要谨慎解读。

关键信息

数据来源
本研究基于2014年埃塞俄比亚微型人口与健康调查（EMDHS）和2007年全国人口普查数据。EMDHS包含5,579名五岁以下儿童，采用分层抽样方法，涵盖全国代表性样本。
营养不良的测量
营养不良通过z-score衡量，分别对应生长迟缓（身高对年龄）、体重不足（体重对年龄）和消瘦（体重对身高）。z-score依据WHO 2006年生长标准计算。
SAE方法的应用
采用ELLS方法（Elbers, Lanjouw and Lanjouw, 2002）进行小区域估计，该方法基于PovMap软件，通过结合EMDHS和普查数据，构建预测模型并进行模拟。
模型变量选择
模型变量包括家庭和区域层面的特征，如家庭是否使用安全水源、是否有厕所、是否使用卫生服务、家庭财富指数和母亲教育水平。变量选择依据调整后的R平方、变量偏态和相关性进行，以避免过拟合。
模型结果
模型的调整后R平方在0.06至0.27之间（生长迟缓）和0.08至0.14之间（体重不足），表明模型解释力有限，但已优于其他方法。在纳入小区域估计的营养不良水平后，R平方几乎翻倍，表明其对营养不良预测的显著贡献。
政策意义
小区域估计为政策制定者提供了更精确的营养不良分布信息，有助于更有效地定位资源。研究建议，应将重点从高营养不良集中地区转向高营养不良率地区，以提高干预效率。

方法论要点

模型构建
模型公式为：
$$
z _ {i} = X _ {i h} ^ {\text {survey}} \beta + Z ^ {\prime} \gamma + u _ {i h} \tag {1}
$$
其中，$X_{ih}$ 代表儿童和家庭层面的变量，$Z'$ 代表区域层面的变量，$u_{ih}$ 是误差项。
模拟与误差处理
通过100次模拟计算z-score，以评估营养不良率的标准误差。误差项 $u_{ih}$ 通过非参数方法估计。
模型验证
表1显示，小区域估计的营养不良率与EMDHS调查结果在区域层面高度吻合，且未超出95%置信区间。