数据提取与预处理
获取并准备用于分析牙科劳动力性别构成的注册数据。
从沙特卫生专业委员会(SCFHS)注册中提取2016-2025年所有持照牙医的年度汇总数据,包括性别、职级、专业、国籍、年龄组和毕业国家;由两位研究员独立对专业标签进行主题化统一。
National Trends in Gender Representation, Segregation, and Disparities in the Saudi Dental Workforce, 2016-2025
基于SCFHS注册数据的回顾性队列研究,采用LDI和回归模型量化性别隔离和差异,研究设计严谨,但依赖行政数据,存在潜在混杂因素和未调整变量。
沙特牙科劳动力(2016-2025年SCFHS注册数据)
数据年份范围:2016-2025年 研究人群:所有在沙特执业的注册牙医,依据SCFHS注册数据 调整变量:年龄组、国籍、毕业国家 统计模型:每年分别拟合比例优势序数逻辑回归和加权多项逻辑回归
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
获取并准备用于分析牙科劳动力性别构成的注册数据。
从沙特卫生专业委员会(SCFHS)注册中提取2016-2025年所有持照牙医的年度汇总数据,包括性别、职级、专业、国籍、年龄组和毕业国家;由两位研究员独立对专业标签进行主题化统一。
评估十年间女性牙医在总劳动力中的比例变化。
计算每年女性牙医的百分比,并使用线性回归量化时间趋势,以年作为连续预测变量。
评估女性在专业职级和专业中的相对代表是否与整体劳动力中的女性比例成比例。
计算每个职级和专业的局部失衡指数(LDI),并将结果以热图形式可视化。
检验在调整潜在混杂因素后,性别与专业职级之间的关联。
每年拟合比例优势序数逻辑回归模型,以职级为有序结局,性别为主要预测变量,调整年龄组、国籍和毕业国家。
检验在调整潜在混杂因素后,性别与专业注册之间的关联。
每年拟合加权多项逻辑回归模型,以全科牙科为参照类别,性别为主要预测变量,调整年龄组、国籍和毕业国家。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据分析 | R 4.3.0版 | -- | -- |
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据提取 | SCFHS注册数据的完整性和年份覆盖(2016-2025年);专业标签的映射方法;缺失数据情况。 阅读提示:Methods - Study design and data source; Variables and definitions |
| 女性代表时间趋势 | 女性百分比的计算公式;线性回归的变量设置。 阅读提示:Methods - Statistical analysis; Results - Overall trends in annual gender composition (2016–2025) |
| 性别隔离评估 | LDI的计算方法(公式1和2)及其解读标准;热图的生成。 阅读提示:Methods - Statistical analysis; Results - Gender segregation and disparities by professional rank; Gender segregation and disparities by dental specialty |
| 职级回归分析 | 比例优势序数逻辑回归的模型设定(职级顺序、协变量、频率权重);比例优势假设的检验方法和结果。 阅读提示:Methods - Statistical analysis; Results - Gender segregation and disparities by professional rank |
| 专业回归分析 | 加权多项逻辑回归的模型设定(参照类别、协变量、频率权重);结果的解读。 阅读提示:Methods - Statistical analysis; Results - Gender segregation and disparities by dental specialty |