Contributors: Identité et Différenciation de l’Espace, de l’Environnement et des Sociétés (IDEES); Université de Caen Normandie (UNICAEN); Normandie Université (NU)-Normandie Université (NU)-Université Le Havre Normandie (ULH); Normandie Université (NU)-Université de Rouen Normandie (UNIROUEN); Normandie Université (NU)-Centre National de la Recherche Scientifique (CNRS)-Institut de Recherche Interdisciplinaire Homme et Société (IRIHS); Université de Rouen Normandie (UNIROUEN); Normandie Université (NU)-Normandie Université (NU)-Université de Rouen Normandie (UNIROUEN); Normandie Université (NU); Nutritional Epidemiology Research Team; Université Sorbonne Paris Nord-Centre for Research in Epidemiology and Statistics; Conservatoire National des Arts et Métiers CNAM (CNAM)-Université Sorbonne Paris Cité (USPC)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Université Paris Cité (UPCité)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Conservatoire National des Arts et Métiers CNAM (CNAM)-Université Sorbonne Paris Cité (USPC)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Université Paris Cité (UPCité)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE); Environnement, Ville, Société (EVS); École normale supérieure de Lyon (ENS de Lyon)-École des Mines de Saint-Étienne (Mines Saint-Étienne MSE); Institut Mines-Télécom Paris (IMT)-Institut Mines-Télécom Paris (IMT)-Université Lumière - Lyon 2 (UL2)-Université Jean Moulin - Lyon 3 (UJML); Université de Lyon-Université de Lyon-Institut National des Sciences Appliquées de Lyon (INSA Lyon); Université de Lyon-Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-Université Jean Monnet - Saint-Étienne (UJM)-École Nationale des Travaux Publics de l'État (ENTPE)-École nationale supérieure d'architecture de Lyon (ENSAL)-Centre National de la Recherche Scientifique (CNRS); Montpellier Interdisciplinary center on Sustainable Agri-food systems (Social and nutritional sciences) (UMR MoISA); Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-Institut de Recherche pour le Développement (IRD)-Centre International de Hautes Etudes Agronomiques Méditerranéennes - Institut Agronomique Méditerranéen de Montpellier (CIHEAM-IAMM); Centre International de Hautes Études Agronomiques Méditerranéennes (CIHEAM)-Centre International de Hautes Études Agronomiques Méditerranéennes (CIHEAM)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro Montpellier; Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro); Université Le Havre Normandie (ULH); Centre de Recherche en Nutrition Humaine d'Ile-de-France (CRNH-IDF); Institut de Veille Sanitaire (INVS)-Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-Conservatoire National des Arts et Métiers CNAM (CNAM)-Institut National Agronomique Paris-Grignon (INA P-G)-CETAF-Institut National de la Santé et de la Recherche Médicale (INSERM)-Sorbonne Université (SU)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Université Sorbonne Paris Nord
نبذة مختصرة : International audience ; Multilevel models are one of the main statistical methods used in modelling contextual effects in social sciences. A common limitation of these methods is the use pre-set boundaries – usually administrative units – to define contexts, when these boundaries do not always match up with the “true” causally relevant contexts that may affect the outcomes of interest. In this study applied to the obesity geography in the Paris area (France), we propose a new spatially explicit two-step procedure to tackle this methodological issue. The first step consists in estimating a geographically weighted regression (GWR) model, then using it to reveal and delineate relevant non-stationarity-based data-driven spatial contexts, and finally including them as a random effect into a random slope multilevel model. In applying this hybrid methodology for modelling body mass index (BMI) within a sample of 9,089 French adults, we demonstrate that it outperforms administrative-based multilevel models in terms of decreasing Akaike information criteria (AIC), and is better at accounting for contextual effects through intraclass correlation coefficient (ICC) and increasing slope variance. We suggest that this procedure might be generalized to quantitative geographical analyses involving contextual effects.
Processing Request
No Comments.