2017年-世界发展银行全球_Small_Area_Estimation_of_Child_Undernutrition_in_Ethiopian_Woredas_17页_4mb

报告摘要

文档总结：Ethiopian Woredas Child Undernutrition 小区域估计

核心内容

本文探讨了通过小区域估计（Small Area Estimation, SAE）方法对埃塞俄比亚各“woreda”（地区行政单位）儿童营养不良（包括生长迟缓、体重不足和消瘦）水平进行估计，并评估了这些估计在营养不良干预中的应用价值。

主要观点

营养不良现状
- 儿童营养不良仍然是埃塞俄比亚重要的公共卫生问题。2014年，48%的5岁以下儿童存在营养不良，相当于约630万儿童。
- 尽管过去15年营养不良率有所下降，但其仍处于全球最高水平之一。
SAE方法的优势
- SAE方法被证明是预测营养不良的有效工具，其预测能力优于传统的家庭特征变量（如财富和教育水平）。
- 该方法利用2014年埃塞俄比亚人口与健康调查（EMDHS）和2007年人口普查数据，结合地理变量和家庭特征变量，构建预测模型。
区域差异显著
- 不同woreda之间营养不良率存在显著差异，且这些差异远大于地区之间的差异。
- 不同的营养不良指标（如生长迟缓、体重不足）指向不同的高风险地区，表明干预策略应因地区和指标而异。
SAE模型的可靠性
- SAE模型在预测营养不良率时，其结果与实际调查数据吻合良好，且大部分估计值位于调查数据的95%置信区间内。
- 模型的标准误与儿童数量相关，儿童数量较少的woreda标准误较大。
模型构建与变量选择
- SAE模型基于EMDHS和人口普查数据，使用时间不变的变量进行建模。
- 模型中包含的变量包括家庭特征（如水资源、厕所使用、健康服务利用）、母亲教育水平、家庭财富指数等。
- 由于缺乏关于消瘦的准确模型，本文仅对生长迟缓和体重不足进行估计。
地理变量的重要性
- 地理变量在解释营养不良差异中发挥了重要作用，特别是在某些国家的研究中，地理变量和交互项显著提升了模型的解释力。
- 然而，在埃塞俄比亚的分析中，未发现显著的聚类效应，这可能与调查设计有关。
SAE模型的应用价值
- SAE模型为营养不良干预提供了有效的地理定位工具，有助于更精准地分配资源。
- 不同的营养不良指标可揭示不同地区的营养不良问题，从而支持因地制宜的干预策略。

关键信息

数据来源
- EMDHS 2014：包含5,579名5岁以下儿童，采用分层抽样设计，但未包含HIV和免疫数据。
- 2007年人口普查：分为长版和短版，长版用于SAE模型，包含更丰富的家庭和社区信息。
- 变量选择：仅使用时间不变的变量，以避免模型偏差。
模型方法
- 使用ELLS方法（Elbers, Lanjouw, and Lanjouw, 2002），通过PovMap2软件实现。
- 模型通过模拟计算预测z-score，并评估其与实际数据的吻合度。
- 模型中包含地理变量、家庭特征、母亲教育水平、财富指数等。
结果与应用
- 模型预测的营养不良率与实际调查数据高度一致。
- 标准误因儿童数量而异，较小的woreda标准误较高。
- SAE模型在预测能力上优于传统变量，适用于地理靶向策略。
- 不同营养不良指标指向不同地区，需结合多种指标制定干预策略。

结构概述

摘要：介绍研究目的和方法，强调SAE在儿童营养不良估计中的重要性。
引言：指出埃塞俄比亚营养不良问题严重，现有数据不足以支持有效的干预。
数据：描述EMDHS和人口普查数据的来源与处理方法。
方法：介绍SAE模型的构建过程及变量选择标准。
结果：展示模型预测结果与实际数据的一致性，并分析不同指标的地理分布差异。
讨论：评估SAE模型在营养不良干预中的应用潜力，强调地理变量的作用。

图表说明

图1：展示不同woreda中营养不良率的标准误与儿童数量的关系。
图2：显示各地区内woreda儿童生长迟缓和体重不足的分布情况。
图3：展示各woreda中体重不足儿童的比例。

作者与资助信息

作者：Thomas Pave Sohnesen, Alemayehu Azeze Ambel, Peter Fisker, Colin Andrews, Qaiser Khan。
资助机构：世界银行“促进基本服务项目”第三阶段。
利益冲突声明：部分作者受雇于世界银行，但未影响研究结果的客观性。