| Повече ▼

Помогнете за използването на данните от проучването на американската общност

Помогнете за използването на данните от проучването на американската общност


Искам да използвам данните от проучването на американската общност в САЩ за пространствен анализ, но изпитвам затруднения да разбера как са изградени таблиците на проучванията, за да мога да ги свържа с файлови форми на блокови групи.

Успешно направих шейп файл, който съдържа всички американски блокови групи, но не мога да разбера как данните от преброяването са свързани с него, използвайки STFID кода. Имам няколко хиляди текстови файла (с имеe20095ak0001000.txtнапример). Когато ги прочетохRте се появиха със следните заглавки:

[1] "ACSSF" "X2009e5" "ak" "X000" "X0011" "X0000001" [7] "X4269" "X2211" "X224" "X157" "X189" "X142" [13] "X77" "X269 "" X247 "" X169 "" X389 "" X146 "... до 200 или така

(Предполагам, че кодът на blockgroup не съвпада с името на файла, тъй като имам 12 465 файла и 212 083 blockgroups)

Осъзнавам, че трябва да разбера какъв е идентификационният код, да ги свържа с блоковите групи, но не мога да намеря документация, която да обяснява тази информация (дори след прочитане на техническата документация). Къде са обяснени тези заглавки на колони?

Използвам 5-годишното проучване на ACS.


Искате да съберете национален набор в един файл? За колко променливи?

Има няколко обръча, които трябва да преодолеете, за да свържете действително STFID във вашия шейпфайл с данните. Не можах да прочета дали вашият основен проблем е декодирането на схемите за именуване на файловете и изчисляването на това, което е във всеки, или ако става въпрос за свързване на първичните ключове на файла с формата и файловете с данни. Във всеки случай, ето един начин. Трябва да кажа, че се позовавам на пробата ACS 2005-2009, но изглежда структурата е аналогична:

  • Вземете файла с данни. Звучи като да сте изтеглили целия набор от данни в цялата страна? Този, за който се позовавате, е от ACS 2009, Аляска, сегмент 0001 (тъй като в обобщения файл на ACS има толкова много полета, бюрото ги сегментира в повече от 100 отделни файла за приблизителните оценки и 100 допълнителни файла, съдържащи полета за грешки. Тези файловете имат префикс "m" (за всяко състояние).
  • Ще ви трябват и заглавките на таблицата. За ACS те се съхраняват в xls файлове.
  • STFID е един от начините за еднозначно препращане към блокова група. Друго е LOGRECNO, което е полето, което действително се намира във файловете с данни. Трябва да го свържете с помощта на един от гео файловете (също xls). Например, калифорнийският е тук. STFID е по-кратка версия на колона C (последните 15 или повече знака; не си спомням точния брой за блокови групи, но идентифицира двуцифрен код за държава, трицифрен код за окръг, шестцифрен код за тракт и а (Мисля) четири едноцифрен код за блокова група). Например блокова група в Сан Франциско би била 060750101001 или нещо такова.
  • Ако се интересувате само от шепа променливи, е много по-лесно просто да изтеглите тези таблици от American Factfinder. Мисля, че повечето проучвания на ACS вече са на factfinder2.
  • накрая, когато се занимавах с това, намерих този документ за полезен, макар и за петгодишната извадка. Този е наличен за едногодишната извадка.

Резюме Преглед на помощ за Резюме

Проучването на американската общност (ACS) е текущо статистическо проучване, което всяка година взема проби от малък процент от населението - предоставяйки на общностите информацията, от която се нуждаят, за да планират инвестиции и услуги. 5-годишната извадка за микроданни за обществена употреба (PUMS) за 2015-2019 г. е подмножество на извадките на Американската общност за 2015-2019 г. (ACS) и Проучването на общността на Пуерто Рико (PRCS). Той съдържа същата извадка като комбинираните PUMS едногодишни файлове за 2015, 2016, 2017, 2018 и 2019 г. 5-годишният PUMS на ACS за 2015-2019 г. съдържа пет години данни за жилищни единици (HU) и населението от домакинства и населението на груповите квартали (GQ). Населението на GQ, жилищните единици и населението от домакинствата се претеглят, за да се съгласят с броя на ACS, които са средно за петгодишния период (2015-2019 г.). Пробата за ACS е избрана от всички окръзи в цялата страна и от всички общини в Пуерто Рико.


Обхват на проекта

Период (и) Преглед на помощ за Период (и)

Дата на събиране Преглед на помощ за Дата на събиране

Бележки за събиране на данни Преглед на помощ за Бележки за събиране на данни

Тази колекция от данни не съдържа записи за хора в Пуерто Рико.

Потребителите се насърчават да прочетат цялата документация, включително вземане на проби, грешки при вземане на проби, тегла и приписване, преди да анализират данните. Документацията е достъпна за изтегляне с тази колекция.

Понякога категориите на отговорите, използвани във файловете с данни на ACS, трябва да се променят. Това може да накара многогодишен PUMS файл да носи две или повече променливи, за да замени оригиналната единична променлива, видяна в 1-годишната PUMS. Това се случва поради промени в системите за класификация, използвани за анализ на икономиката, както и промени в подробната раса, родословие, кодове на месторождението и дефиниции на зони за микроданни с обществена употреба (PUMA).

През 2012 г. данни, набор от двойни ретро променливи бяха въведени в 5-годишния файл на PUMS. 5-годишният набор от данни за ACS за 2012-2016 г. ACS е първият 5-годишен продукт, който съдържа пет години данни с променливи от реколтата за 2012 г. Във файловете 2012-2016 тези променливи са преименувани, като годината вече е премахната от името на променливата. Например променлива POBP12 на 5-годишния набор от данни на PUMS за периода 2011-2015 г. се нарича POBP в набора от данни за 2012-2016 г.

Най-малката географска единица, която е идентифицирана, е зоната за микроданни за обществена употреба (PUMA). PUMA са специални непокриващи се области, които разделят всяка държава на съседни географски единици, съдържащи не по-малко от 100 000 души. 5-годишните файлове на PUMS за 2012-2016 ACS разчитат на границите на PUMA, очертани от държавните правителства след преброяването през 2010 г.

Това събиране на данни включва файл за проверка, който предоставя оценки за избрани характеристики, предоставени за подпомагане на потребителите на данни при определяне дали те използват правилно теглата за изчисляване на оценки. Някои от тези оценки могат да се различават от оценките за същите характеристики, публикувани в American FactFinder. Потребителите могат да намерят файла за проверка в Техническото ръководство за потребителя. За обяснение на тези разлики, моля, вижте раздела "Точност на данните" в Техническото ръководство за потребителя.

Ако потребителите на PUMS искат да сравнят 5-годишните оценки на PUMS за 2012-2016 г. с PUMS за 2011-2015 г. или искат да използват повторно програма, написана за 5-годишните данни на PUMS за 2011-2015 г., прегледайте раздела „Прочетете ме“ в Техническото ръководство за потребителя за променливи с промени между 2015 и 2016 г. За повече подробности относно промените вижте 5-годишните речници на данни за PUMS за 2011-2015 г. и 2012-2016 г. и списъци с кодове.

Добавени променливи от предишните 5-годишни PUMS: RACNH и RACPI.

Променливи, изтрити от предишните 5-годишни PUMS: ANC1P05, ANC2P05, CITWP05, LANP05, MARHYP05, MIGPUMA00 MIGSP05, OCCP10, POB05, POWPUMA00, POWSP05, PUMA00, RAC2P05, RACPP5, RACPP5, RACPP5, RACPP5, RACPP5, RACN

Променливи с нови или модифицирани кодове от предишните 5-годишни PUMS: ADJHSG, ADJINC, BUS, CITWP, CONP, LANP, MARHYP, PLM, SERIALNO, SVAL, TOIL, YBL, YOEP, FBUSP и FTOILP.

Променливи с козметични промени на етикети с променливи или етикети за стойности: ANC1P, ANC2P, FER, LANP, MIGPUMA, MIGSP, OCCP, POBP, POWPUMA, POWSP, PUMA, RAC2P, RAC3P, SOCP, SRNT, TEL и FTELP.

Поради ограничението в броя на допустимите редове от 65 536 и допустимите колони от 256 в Excel 97-2003 (завършващ файл, xls), файлът на Excel, който се разпространява с тази колекция, е в по-късната версия на Excel (файлът завършва на xlsx) .

За допълнителна информация, моля, посетете уебсайта на American Community Survey (ACS).


Въведение

Въпреки че възникването на природни бедствия не може да бъде контролирано, обществото може да намали въздействието чрез ефективни стратегии за възстановяване след бедствие. Това проучване оценява прекъсванията от урагана "Санди", скоростите на възстановяване на системата и техните ефекти върху икономическата производителност на ниво домакинство. Ураганът Sandy, силно въздействащо природно бедствие, наречено „Superstorm Sandy“ поради своята интензивност, удари района на Ню Йорк (Ню Йорк) на 29 октомври 2012 г. Бурята силно наруши транспортните и енергийните системи (Kaufman et al., 2012) , ограничавайки възможността на обществеността да достигне до места за работа и да се върне към производителността. Връщането към производителността за целите на това изследване означава „способност за работа“ за дадена работа. Някои работни места изискват една да присъства физически, докато други позволяват на служителите да работят отдалечено. Тези, които трябва да присъстват, се нуждаят от транспортната система, докато работещите от разстояние може да се нуждаят както от захранването, така и от комуникационната система, за да функционират. И двете групи могат да се сблъскат с допълнителни ограничения, като задължения за гледане на деца поради закриване на училище и детски заведения, които допълнително влияят върху способността им да бъдат продуктивни.

В столичния район на Ню Йорк близо една трета от работниците на 16 и повече години, които напускат домовете си, за да пътуват до работа, използвайки обществен транспорт - транспортният режим споделя осем пъти повече от средния за другите столични райони в САЩ (проучване на американската общност). Този дял във висок режим добавя усложнения, тъй като в Ню Йорк става по-важно, отколкото в други части на градска Америка, да се възстанови транзитната система и поддържащата инфраструктура. Домакинствата с по-ниски доходи може да се сблъскат с още по-големи предизвикателства поради намалените транспортни възможности (например, не притежаването на частно превозно средство) и липсата на финансови ресурси за заплащане на грижи за деца по време на закриване на училище или възможности за частен транспорт на по-високи цени (Център за техническа помощ при бедствия, 2017 г. , Masozera et al., 2007, Lowe, 2018). Освен това домакинствата с по-ниски доходи могат да бъдат разположени в райони, по-уязвими за щети. Faber (2015) например установява, че по-голям процент от домакинствата в наводнените от Санди преброявания на Ню Йорк са под прага на бедността, отколкото в ненаводнените райони. Това наводнение допринесе за временното затваряне на 150 метростанции в Ню Йорк, ограничавайки достъпа до системата за жителите и работниците, които обикновено пътуват до или от тези станции. Най-рязък спад в достъпа изглежда е сред районите с изключително високи нива на бедност, въпреки че няма достатъчно такива участъци, за да може това твърдение да покаже статистическа значимост (Faber, 2015).

Няколко проучвания на поведението на пътуващите след прекъсване са използвали подходи за проучване и статистически модели. Например, Kontou et al. (2017) заснема адаптацията на пътуващите след урагана "Санди", като разработва пет мултипроменливи двоични логит модели за промяна на режима, отмяна на работно пътуване, промяна на маршрут и промяна на часовете на заминаване (по-рано или по-късно) за пътувания от дома до работа. Съществуващата литература (Giuliano and Golob, 1998, Zhu et al., 2010, Mokhtarian et al., 2010) отбелязва, че промяната на времето на заминаване и промяната на маршрута са първите две предпочитани опции за пътуващите, изправени пред транспортни смущения и могат да се считат за тактически решения (за разлика от стратегическите решения), които не включват непременно финансови инвестиции или промени в дейностите и са под контрола на пътника. Промяната на режима е най-малко предпочитаната опция (Giuliano and Golob, 1998, Zhu et al., 2010, Mokhtarian et al., 2010), по-малко вероятно дори да се отмени пътуването изобщо (Giuliano and Golob, 1998), тъй като липсва автомобил опциите за собственост и ограничени транзитни услуги ограничават възможността за промяна на режима (Zhu et al., 2010). Транзитната услуга и достъпността са извън контрола на пътуващите, докато собствеността на автомобила може да се счита за стратегическо решение, включващо значителни финансови инвестиции и усилия за получаване на превозното средство.

Прегледът на Левинсън и Жу (2012) на 16 статии за поведенчески реакции при прекъсвания на транспортната мрежа идентифицира няколко ограничения на съществуващите проучвания, които ограничават тяхната обобщаемост: (1) липса на подробности при избора на време за пътуване и заминаване, (2) разчитане на пътуване с един вариант адаптация, като промяна на маршрути или часове на тръгване, и неспособност за включване на множество опции и (3) неразглеждане на опит и обучение по време на прекъсването. Нашето изследване се занимава с някои от тези недостатъци чрез изграждане на модел, базиран на агенти (ABM). За да се справи с проблем (1), УД взема предвид маршрута и времето за заминаване за всеки агент. За пътуващите в метрото / релсите ние моделираме пълния избор на ежедневен маршрут, докато за други режими ние разглеждаме само конкретни части от маршрута, използвани при пътуване до работното място, като мостове и тунели. По отношение на издание (2), нашата УД позволява на агентите да извършват множество промени, като маршрут и час на заминаване, едновременно. И накрая, за брой (3) пътуващите в нашия модел се учат от предишния си опит при пътуване, като обмислят забавяне и пренаселеност от предишния ден, за да могат да коригират съответно своите решения за пътуване.

УД могат да симулират ситуации, базирани на времето, които са сложни и динамични, като прекъсванията, свързани с урагана "Санди", и често използват статистически модели. Основно за нашите цели, базираното на агенти моделиране предлага подходящ подход за моделиране на проблеми, свързани с транспорта (Bernhardt, 2007) и включващ динамично вземане на човешки решения, което може да причини значителни разлики в цялостната функция на системата (Hager et al., 2015). Например, базирано на агенти моделиране се използва при проучвания на търсенето на пътувания и поведението при вземане на решения по време на евакуация (Yin, 2014, Zhang et al., 2013, Zhang and Wolshon, 2014, Ukkusuri et al., 2017), минимално време за евакуация за Florida Keys (Chen et al., 2006), сравняване на поетапни и едновременни стратегии за евакуация (Chen and Zhan, 2006) и ефекта от времето на заминаване върху евакуацията (Lammel and Klupfel, 2012). Други изследвания използват техники за моделиране, базирани на агенти, за изчисляване на бъдещото транспортно търсене (Huynh et al., 2011) и оценка на проблемите с задръстванията по пътищата (Rossetti et al., 2000).

Нашето проучване се различава от тези ситуации преди удар, като се фокусира върху пътуващите до работното място, които остават в зоната на удара и се опитват да водят възможно най-нормален живот след преминаване на непосредствената опасност. След урагана "Санди" жителите бяха засегнати от прекъсвания, причинени от бурята и мерките за възстановяване, прилагани от различни субекти. За да се справят с тези смущения, хората промениха своите модели на пътуване до работното място. Marsden and Docherty (2013) заявяват, че поведението при пътуване е много по-променливо, отколкото позволяват създателите на политики и изучаването на поведението, след като всяко прекъсване може да разкрие нови прозрения. Следователно, за да се идентифицират потенциалните промени в пътуването до работното място и да се получат нови прозрения за усилията за възстановяване, това проучване използва данни от проучването и се информира от предишни проучвания.

Тази статия представя оригинална УД за улавяне на поведението и адаптацията на хората след урагана "Санди" и конкретно разглежда как различните хипотетични сценарии за възстановяване влияят на времевия период, в който хората могат да се върнат в продуктивно състояние. По-доброто разбиране на тези фактори може да помогне на длъжностните лица и агенциите да решат как да фокусират усилията си за възстановяване, за да насърчат по-ранно връщане към производителността след бедствие, както и да идентифицират системите, които са най-важни за първо възстановяване. Останалата част от тази статия е разделена на четири раздела. Раздел 2 описва УД и данните, използвани за разработването му. Раздел 3 представя резултатите от разследването на сценарии за възстановяване, които променят реалния график за възстановяване на системата, за да се изследва тяхното въздействие върху производителността. И накрая, раздел 4 очертава заключенията, а раздел 5 представя бъдещи насоки и ограничения.


Обхват на проекта

Период (и) Преглед на помощ за Период (и)

Дата на събиране Преглед на помощ за Дата на събиране

Бележки за събиране на данни Преглед на помощ за Бележки за събиране на данни

Тази колекция от данни не съдържа записи за хора в Пуерто Рико.

Потребителите се насърчават да прочетат цялата документация, включително вземане на проби, грешки при вземане на проби, тегла и приписване, преди да анализират данните. Документацията е достъпна за изтегляне с тази колекция.

Понякога категориите отговори, използвани в файловете с данни на ACS, се променят, което може да доведе до многогодишен файл PUMS, който да съдържа две или повече променливи, за да замени оригиналната единична променлива, видяна в 1-годишната PUMS. Това се случва поради промени в системите за класификация, използвани за анализ на икономиката, както и промени в подробната раса, родословие, кодове на месторождението и дефиниции на зони за микроданни с обществена употреба (PUMA). Този 5-годишен файл PUMS за периода 2008-2012 г. има шестнадесет набора двойни (или тройни) променливи (също описани като ретро променливи), тъй като много подробни променливи бяха преразгледани за продуктите с данни за 2012 г. За да се получат данни за цялата извадка на PUMS, всички тези реколти трябва да се използват за дадена променлива. Стойност от -9, -09, -009 или -0009 (в зависимост от дължината на променливата) се присвоява на случаи, за които променливата не е приложима поради годината на данните, с изключение на кодовете на заетост. За пълен списък на двойната променлива вижте документа ReadMe за 5-годишния PUMS за периода 2008-2012 г. и речника на данни PUMS, включен в това събиране на данни, за повече информация относно тези променливи.

Най-малката географска единица, която е идентифицирана, е зоната за микроданни за обществена употреба (PUMA), която се основава на числеността на населението от първоначално около 100 000 или повече. Има два комплекта PUMA на ACS PUMS за периода 2008-2012 г. Записите на PUMS от 2008 до 2011 имат PUMA кодове, които са създадени от 5-процентните файлове с данни на PUMS от преброяването през 2000 г. Записите на PUMS от 2012 г. имат кодове PUMA въз основа на данните от преброяването през 2010 г. По-старите записи нямат кодовете PUMA от 2010 г., а записите от 2012 г. нямат базираните на 2000 5 процента кодове PUMA.

Поради ограничението в броя на допустимите редове от 65 536 и допустимите колони от 256 в Excel 97-2003 (завършващ файл, xls), файлът на Excel, който се разпространява с тази колекция, е в по-късната версия на Excel (файлът завършва на xlsx) .


Картографиране на свързаните с несигурността на храните 2-1-1 обаждания в 10-окръжен район на Централен Тексас по пощенски код: Проучване на ролята на географския достъп до храни, урбанистиката и демографските показатели

Несигурността на храните е проблем на общественото здраве, който засяга 12% от американците. Лицата, живеещи в несигурни с храна домакинства, са по-склонни да страдат от състояния като недохранване, затлъстяване и хронични заболявания. Несигурността на храните е свързана с ограничен географски достъп до храна, но минали проучвания използват ограничени мерки за достъп, които не отразяват напълно нюансите на контекста на общността. Целта на това проучване беше да се изследва връзката между несигурността на храните и географския достъп до храни според нивото на градско развитие. 2-1-1 обаждания, направени през 2018 г. в Централен Тексас, бяха класифицирани като хранителни нужди спрямо нехранителни нужди. Супермаркетите и магазините са картографирани с помощта на ArcGIS. Достъпът до географски храни беше функционализиран като присъствие на супермаркети и магазини: в рамките на пощенския код само в съседните пощенски кодове, а не в или в съседните пощенски кодове. Описателната статистика и биномиалната логистична регресия бяха използвани за изследване на връзките между географския достъп и 2-1-1 повиквания за храна, стратифицирани по ниво на градско развитие. 11% от обажданията 2-1-1, направени през 2018 г. (N = 55 405), са свързани с нуждите от храна. Резултатите показаха, че обаждащите се извън града и в селските райони, живеещи в пощенски кодове, които имат само супермаркети в съседните пощенски кодове, имат по-големи шансове да се обаждат за хранителни нужди в сравнение с тези, които имат супермаркети в пощенския код. Тези констатации показват, че географският достъп до храни е свързан с несигурност на храните, но тази връзка варира в зависимост от градската обстановка. Поради това е необходимо разработването на програми за намаляване на несигурността на храните в извънградските и селските райони.

Това е визуализация на абонаментно съдържание, достъп чрез вашата институция.


През 2019 г. около 9% от децата под 18-годишна възраст са живели в домакинства, в които никой родител не е завършил гимназия, 26% са живеели в домакинства само за майки, 8% са живеели в домакинства само за бащи и 16% са били в семейства, живеещи в бедност.

Характеристиките на семействата на децата са свързани с образователния опит на децата и техните академични постижения. Предварително изследване установи, че рисковите фактори за живот в домакинство без родител, завършил гимназия, живот в домакинство с един родител и живот в бедност са свързани с лоши образователни резултати - включително получаване на ниски резултати от постиженията, налагане на повторение клас и отпадане от гимназията. 1, 2 Този показател изследва разпространението на тези рискови фактори сред расовите / етническите групи и, за състоянието на бедността, сред държавите. За повече информация относно връзката между социално-икономическия статус на семейството и по-късните резултати след средното образование и заетостта вж Състоянието на образованието 2019 Показател за прожекторите Резултати от образованието и заетостта за млади възрастни по социално-икономически статус на семейството.

Изберете подгрупа:

Изберете характеристика на подгрупа от падащото меню по-долу, за да видите съответния текст и фигури.

1 Включва родители, завършили гимназия чрез програми за еквивалентност, като например програма GED.

ЗАБЕЛЕЖКА: Включва само деца под 18-годишна възраст, които са пребивавали с поне един от родителите си (включително осиновител или доведен родител, с изключение на приемни родители). Най-високото ниво на образование на родителите е най-високото ниво на образование, постигнато от всеки родител, пребиваващ в едно домакинство с детето. Родителите включват осиновители и доведени родители, но изключват родителите, които не пребивават в едно домакинство с тяхното дете. Детайлите не могат да се сумират до суми поради закръгляване. Въпреки че се показват закръглени числа, цифрите се основават на необратни данни.

ИЗТОЧНИК: Министерство на търговията на САЩ, Бюро за преброяване на населението, Проучване на американската общност (ACS), 2010 и 2019 г. Вж. Дайджест на образователната статистика 2020, таблица 104.70.

През 2019 г., въпреки че малко над половината от децата под 18 години са живели в домакинства, в които единият родител е завършил поне колеж (асоциирана степен или по-висока), почти половината живее в домакинства, в които никой родител не е завършил колеж. По-конкретно, 9 процента живеят в домакинства, в които никой родител не е завършил гимназия, 19 процента живеят в домакинства, в които най-високото ниво на образование е завършено средно образование, 3 и 20 процента живеят в домакинства, в които най-високото ниво на образование е някакъв колеж присъствие, но без степен. Десет процента живеели в домакинства, в които най-високото ниво на образование, постигнато от всеки един от родителите, е било асоциирана степен. Четиридесет и три процента от децата са живели в домакинства, в които най-високото ниво на образование, постигнато от всеки един от родителите, е бакалавърска или по-висока степен, включително 23 процента с бакалавърска степен, 14 с магистърска степен и 6 процента с докторска степен. 4

В сравнение с 2010 г. има по-ниски проценти на деца на възраст под 18 години през 2019 г., които живеят в домакинства, в които нито един родител не е завършил следдипломна степен. Това включва деца в домакинства, в които нито един родител не е завършил гимназия (9 срещу 12 процента), в които най-високото ниво на образование, постигнато от всеки един от родителите, е завършването на средно образование (19 срещу 20 процента) и в които най-високото ниво образованието, постигнато от който и да е от родителите, е било посещаемост в колеж, но без степен (20 срещу 23 процента). Това от своя страна означава, че през 2019 г. е имало по-висок процент на децата, отколкото през 2010 г., които са живели в домакинства, в които най-високото ниво на образование на родителите е било след средно образование. По-конкретно, през 2019 г. около 43% са живели в домакинства, в които най-високото ниво на образование, постигнато от единия от родителите, е било бакалавър или по-висока степен, в сравнение с 35% през 2010 г. 5

1 Включва родители, завършили гимназия чрез програми за еквивалентност, като например програма GED.

ЗАБЕЛЕЖКА: Включва само деца под 18-годишна възраст, които са пребивавали с поне един от родителите си (включително осиновител или доведен родител, с изключение на приемни родители). Най-високото ниво на образование на родителите е най-високото ниво на образование, постигнато от всеки родител, пребиваващ в едно домакинство с детето. Родителите включват осиновители и доведени родители, но изключват родителите, които не пребивават в едно домакинство с тяхното дете. Категориите на раса изключват лица от испанска етническа принадлежност. Детайлите не могат да се сумират до суми поради закръгляване. Въпреки че се показват закръглени числа, цифрите се основават на необратни данни.

ИЗТОЧНИК: Министерство на търговията на САЩ, Бюро за преброяване на населението, Проучване на американската общност (ACS), 2019 г. Вж Дайджест на образователната статистика 2020, таблица 104.70.

Най-високото ниво на образование, постигнато от който и да е от родителите на деца под 18-годишна възраст, варира в различните расови / етнически групи през 2019 г. Процентът на децата под 18-годишна възраст, които живеят в домакинства, в които нито един родител не е завършил гимназия, е по-висок за испанците (22 процента) ), отколкото за деца от други расови / етнически групи: американски индианец / местен жител на Аляска (11 процента), чернокожи (8 процента), тихоокеански островци (7 процента), азиатски (6 процента), две или повече раси (4 процента) и Бяло (3 процента). Процентът на децата, които живеят в домакинства без родител, завършил гимназия, е по-нисък за белите деца, отколкото за децата от която и да е друга расова / етническа група.

Процентът на децата през 2019 г., които са живели в домакинства, в които най-високото ниво на образование, постигнато от всеки един от родителите, е било най-малко бакалавърска степен, е по-нисък за испанците (22 процента), американските индианци / местните жители на Аляска (24 процента), тихоокеанските островитяни (25 процента) и чернокожи (27 процента), отколкото при две или повече раси (48 процента), бели (54 процента) и азиатски деца (70 процента).

1 Включва анкетираните, които са писали в някаква друга надпревара, която не е включена като опция във въпросника.

ЗАБЕЛЕЖКА: Данните не включват приемни деца, деца в несвързани подсемейства, деца, живеещи в групови квартали, и деца, за които се съобщава като домакин или съпруг на домакина. „Домакинство само за майка“ има домакиня от женски пол без присъстващ съпруг (т.е. домакинството е неомъжено или съпругът не е в домакинството), докато „домакинство само за баща“ има домакин от мъжки пол, без съпруг . Включва всички деца, които живеят или с родител (и), или с домакин, с когото са свързани по рождение, брак или осиновяване (с изключение на дете, което е съпруг / а на домакина). Децата се класифицират по семейно положение на родителите им, или ако няма родители в домакинството, по семейно положение на домакина, който е свързан с децата. Домакинът е лицето (или един от хората), което притежава или наема (поддържа) жилищната единица. Категориите на раса изключват лица от испанска етническа принадлежност. Въпреки че се показват закръглени числа, цифрите се основават на необратни данни. Подробностите не са 100 процента, тъй като категорията „Всички останали деца“ не се отчита.

ИЗТОЧНИК: Министерство на търговията на САЩ, Бюро за преброяване на населението, Проучване на американската общност (ACS), 2019 г. Вж Дайджест на образователната статистика 2020, таблица 102.20.

През 2019 г., въпреки че по-голямата част от децата под 18-годишна възраст живеят в домакинства на семейни двойки (63 процента), 26 процента живеят в домакинства само за майки и 8 процента живеят в домакинства само за бащи. 6 Този модел - при по-висок процент от децата, живеещи в домакинства на семейни двойки, отколкото в домакинства само за майки и бащи - се наблюдава при деца от всички расови / етнически групи, с изключение на чернокожите деца. По-голямата част от чернокожите деца живееха в домакинства само за майки (55 процента), в сравнение с 34 процента, които живееха в домакинства на семейни двойки, и 9 процента, които живееха в домакинства само за бащи.

1 Включва анкетираните, които са писали в някаква друга надпревара, която не е включена като опция във въпросника.

ЗАБЕЛЕЖКА: Мярката за детска бедност включва всички деца, които са свързани с домакина по рождение, брак или осиновяване (с изключение на дете, което е съпруг / съпруга на домакина). Домакинът е лицето (или един от хората), което притежава или наема (поддържа) жилищната единица. За допълнителна информация относно състоянието на бедността вижте https://www.census.gov/topics/income-poverty/poverty/guidance/poverty-measures.html. Категориите на раса изключват лица от испанска етническа принадлежност. Въпреки че се показват закръглени числа, цифрите се основават на необратни данни.

ИЗТОЧНИК: Министерство на търговията на САЩ, Бюро за преброяване на населението, Проучване на американската общност (ACS), 2010 и 2019 г. Вж. Дайджест на образователната статистика 2020, таблица 102.60.

През 2019 г. приблизително 11,6 милиона деца на възраст под 18 години са били в семейства, живеещи в бедност. 7 Процентът на бедност при децата през 2019 г. (16%) е по-нисък от 2010 г. (21%). Този модел се наблюдава при деца от всички расови / етнически групи, с изключение на децата от тихоокеанските острови. Например, 23 процента от испаноморските деца са живели в бедност през 2019 г., в сравнение с 32 процента през 2010 г., а 30 процента от чернокожите деца са живели в бедност през 2019 г., в сравнение с 38 процента през 2010 г. За тихоокеанските деца на островите, степента на бедност през 2019 г. е била не е измеримо различен от процента през 2010 г.

Процентът на бедност за деца под 18-годишна възраст варира в различните расови / етнически групи през 2019 г. Родните американски индианци / Аляска (30 процента), чернокожите (30 процента) и испанците (23 процента) имат нива на бедност по-високи от средните за страната (16 процента), докато белите (10 процента) и азиатските деца (9 процента) са имали нива, по-ниски от средните за страната. Степента на бедност за деца от две или повече раси и деца от тихоокеанските острови не се е различавала измеримо от средната за страната. За допълнителна информация относно нивата на бедност и расовите / етническите подгрупи, моля обърнете се към Състояние и тенденции в образованието на расовите и етническите групи доклад.

! Тълкувайте данните с повишено внимание. Коефициентът на вариация (CV) за тази оценка е между 30 и 50 процента.

1 Включва анкетираните, които са писали в някаква друга надпревара, която не е включена като опция във въпросника.

2 Включва родители, завършили гимназия чрез програми за еквивалентност, като например програма GED.

ЗАБЕЛЕЖКА: Включва само деца под 18-годишна възраст, които са пребивавали с поне един от родителите си (включително осиновител или доведен родител, с изключение на приемни родители). Най-високото ниво на образование на родителите е най-високото ниво на образование, постигнато от всеки родител, пребиваващ в едно домакинство с детето. Родителите включват осиновители и доведени родители, но изключват родителите, които не пребивават в едно домакинство с тяхното дете. Мярката за детска бедност включва деца, които са свързани с домакина по рождение, брак или осиновяване (с изключение на дете, което е съпруг / съпруга на домакина). Домакинът е лицето (или един от хората), което притежава или наема (поддържа) жилищната единица. За допълнителна информация относно състоянието на бедността вижте https://www.census.gov/topics/income-poverty/poverty/guidance/poverty-measures.html. Категориите на раса изключват лица от испанска етническа принадлежност. Въпреки че се показват закръглени числа, цифрите се основават на необратни данни.

ИЗТОЧНИК: Министерство на търговията на САЩ, Бюро за преброяване на населението, Проучване на американската общност (ACS), 2019 г. Вж Дайджест на образователната статистика 2020, таблица 102.62.

In 2019, the poverty rate for children under age 18 was highest for those in households in which no parent had completed high school (43 percent) and lowest for those in households in which the highest level of education attained by either parent was a bachelor’s or higher degree (4 percent). This pattern held both overall and within all racial/ethnic groups except Pacific Islander children. For Pacific Islander children, the poverty rate by parent’s education level was higher (25 to 33 percent) than the poverty rate for those living in households in which the highest level of education was a bachelor’s or higher degree (5 percent) for every level except children living in households in which the highest level of education attained by either parent was some college (13 percent).

! Interpret data with caution. The coefficient of variation (CV) for this estimate is between 30 and 50 percent.

1 Includes respondents who wrote in some other race that was not included as an option on the questionnaire.

NOTE: A “mother-only household” has a female householder, with no spouse present (i.e., the householder is unmarried or their spouse is not in the household), while a “father-only household” has a male householder, with no spouse present. Includes all children who live either with their parent(s) or with a householder to whom they are related by birth, marriage, or adoption (except a child who is the spouse of the householder). Children are classified by their parents’ marital status or, if no parents are present in the household, by the marital status of the householder who is related to the children. The householder is the person (or one of the people) who owns or rents (maintains) the housing unit. For additional information about poverty status, see https://www.census.gov/topics/income-poverty/poverty/guidance/poverty-measures.html. Race categories exclude persons of Hispanic ethnicity. Although rounded numbers are displayed, the figures are based on unrounded data.

SOURCE: U.S. Department of Commerce, Census Bureau, American Community Survey (ACS), 2019. See Digest of Education Statistics 2020, table 102.60.

In 2019, the poverty rate for children under age 18 was highest for those living in mother-only households (37 percent), followed by those living in father-only households (18 percent). Children living in married-couple households had the lowest poverty rate (7 percent). This pattern of children living in married-couple households having the lowest poverty rate was observed across most racial/ethnic groups. The exception was Pacific Islander children, for whom there was no measurable difference between poverty rates in father-only households and other household structures. For all racial/ethnic groups, poverty rates were higher for children in mother-only households than for those in married-couple households.

NOTE: A “mother-only household” has a female householder, with no spouse present (i.e., the householder is unmarried or their spouse is not in the household), while a “father-only household” has a male householder, with no spouse present. Includes all children who live either with their parent(s) or with a householder to whom they are related by birth, marriage, or adoption (except a child who is the spouse of the householder). Children are classified by their parents’ marital status or, if no parents are present in the household, by the marital status of the householder who is related to the children. The householder is the person (or one of the people) who owns or rents (maintains) the housing unit. For additional information about poverty status, see https://www.census.gov/topics/income-poverty/poverty/guidance/poverty-measures.html.

SOURCE: U.S. Department of Commerce, Census Bureau, American Community Survey (ACS), 2010 and 2019. See Digest of Education Statistics 2020, table 102.60.

Similar to the overall difference between 2010 and 2019 in the poverty rate for children under age 18, the poverty rate was lower in 2019 than in 2010 for children living in mother-only households (37 vs. 44 percent), father-only households (18 vs. 26 percent), and married-couple households (7 vs. 11 percent). This pattern of lower child poverty rates in 2019 than 2010 by family structure was observed across all racial/ethnic groups, except Pacific Islander and American Indian/Alaska Native children, for whom there were no measurable differences between the two years.

NOTE: The measure of child poverty includes all children who are related to the householder by birth, marriage, or adoption (except a child who is the spouse of the householder). The householder is the person (or one of the people) who owns or rents (maintains) the housing unit. For additional information about poverty status, see https://www.census.gov/topics/income-poverty/poverty/guidance/poverty-measures.html.

SOURCE: U.S. Department of Commerce, Census Bureau, American Community Survey (ACS), 2019. See Digest of Education Statistics 2020, table 102.40.

While the national average poverty rate for children under age 18 was 16 percent in 2019, the rates among states ranged from 7 percent in New Hampshire to 28 percent in Mississippi. Twenty-four states had poverty rates for children that were lower than the national average, 15 states had rates that were higher than the national average, and 11 states and the District of Columbia had rates that were not measurably different from the national average. Of the 15 states that had poverty rates higher than the national average, the majority (12) were located in the South. In 39 states and the District of Columbia, the poverty rates were lower in 2019 than in 2010. In the remaining 11 states, there was no measurable difference between the poverty rates in 2010 and 2019.

1 Pungello, E.P., Kainz, K., Burchinal, M., Wasik, B.H., Sparling, J.J., Ramey, C.T., and Campbell, F.A. (2010, February). Early Educational Intervention, Early Cumulative Risk, and the Early Home Environment as Predictors of Young Adult Outcomes Within a High-Risk Sample. Child Development, 81(1): 410–426. Retrieved January 8, 2021, from http://onlinelibrary.wiley.com/doi/10.1111/j.1467-8624.2009.01403.x/full.

2 Ross, T., Kena, G., Rathbun, A., KewalRamani, A., Zhang, J., Kristapovich, P., and Manning, E. (2012). Higher Education: Gaps in Access and Persistence Study (NCES 2012-046). U.S. Department of Education. Washington, DC: National Center for Education Statistics. Retrieved January 8, 2021, from https://nces.ed.gov/pubsearch/pubsinfo.asp?pubid=2012046.

3 Includes parents who completed high school through equivalency programs, such as a GED program.

4 Includes parents who had completed professional degrees.

5 Although the percentage of children living in households in which the highest level of education attained by either parent was an associate’s degree was also higher in 2019 than in 2010 (10.1 vs. 9.7 percent), both percentages round to 10 percent.

6 A “mother-only household” has a female householder, with no spouse present (i.e., the householder is unmarried or the spouse is not in the household), while a “father-only household” has a male householder, with no spouse present. Includes all children who live either with their parent(s) or with a householder to whom they are related by birth, marriage, or adoption (except a child who is the spouse of the householder). Children are classified by their parents’ marital status or, if no parents are present in the household, by the marital status of the householder who is related to the children. The householder is the person (or one of the people) who owns or rents (maintains) the housing unit. Foster children, children in unrelated subfamilies, children living in group quarters, and children who were reported as the householder or spouse of the householder are not included in this analysis.

7 In this indicator, data on household income and the number of people living in the household are combined with the poverty threshold, published by the Census Bureau, to determine the poverty status of children. A household includes all families in which children are related to the householder by birth or adoption, or through marriage. The householder is the person (or one of the people) who owns or rents (maintains) the housing unit. In 2019, the poverty threshold for a family of four with two related children under 18 years old was $25,926. For a more detailed breakdown of the 2019 poverty rate, refer to this table.


Резултати

Prevalence of food insecurity

In total, 450 adult-child dyads from five participating communities (н = 240 rural households н = 210 urban households) were enrolled. Participant demographics are summarized in Table 1. For adults, the average age was 31.5 ± 8.5 years, 95% were female, and 81.3% self-identified as American Indian for children, average age was 45.0 ± 13.0 months, 50.0% were female, and 86.3% were identified by their caregiver as American Indian. The overall prevalence of food insecurity was 61% and was significantly higher in urban versus rural households at 80% versus 45%, respectively (стр < 0.001, Fig. 1). Between food insecure and food secure households, significant differences were observed in education level (стр < 0.01), income (стр < 0.01), adult age (стр < 0.05), and distance traveled to purchase food (стр < 0.001).

Prevalence of household food insecurity in the overall sample and by rural and urban status. Prevalence of household food insecurity was determined for the overall sample from Healthy Children, Strong Families 2 study (н = 450 households) and by rural (н = 240 households) and urban (н = 210 households) status using 2 validated questions from the USDA Household Food Security Survey

Factors associated with food insecurity

Using logistic regression analysis, factors associated with food insecurity were assessed (Table 2). In the model that included all households, factors associated with significantly higher odds of food insecurity were adult ethnicity identified as American Indian (стр < 0.05), WIC participation (стр < 0.05), and urban households (стр < 0.001), with a trend toward higher odds for single adult households (стр = 0.054). Attainment of a college degree or higher was associated with significantly lower odds of food insecurity (стр < 0.01). For rural households, single adult households were associated with significantly higher odds (стр < 0.01), while attainment of a college degree or higher and working outside of the home were associated with lower odds of food insecurity (стр < 0.05 for both). For urban families, the odds of food insecurity decreased with increasing distance traveled to purchase food (стр < 0.05) and increased with an increasing number of children in the household (стр < 0.05).

Dietary patterns among food insecure and food secure households

The frequency of daily intake of the following food groups was determined for both the adult and child: fruit, vegetables, salad, potatoes, fried potatoes, pizza, 100% juice, soda, other sugar sweetened beverages (SSBs, e.g., lemonade, sweetened tea, fruit punch, Kool-Aid), sports drinks, and milk (Table 3). Adults from food insecure households had significantly lower vegetable consumption (стр < 0.05), and significantly higher intake of fried potatoes (стр < 0.001), 100% fruit juice (стр = 0.001), and other SSBs (стр < 0.05). Children from food insecure households had significantly higher intake of salad (стр < 0.01), fried potatoes (стр < 0.05), soda (стр = 0.01), and sports drinks (стр < 0.05).

Dietary patterns in food insecure and secure households were further analyzed by geographic status (urban and rural). Adults in rural food insecure households had lower intake of vegetables and higher intake of 100% fruit juice and SSBs compared to rural food secure households. For children from rural food insecure households, salad was significantly higher than their food secure counterparts. For adults in urban food insecure households, fried potatoes and 100% fruit juice were significantly higher compared to urban food secure households. Fried potatoes were also significantly higher for urban food insecure children compared to urban food secure households. For all food variables, adult and child mean daily intake was significantly correlated (стр < 0.05), with two exceptions: adult and child intake of soda and milk was not significantly associated in rural food insecure households (data not shown).

Focus groups

Six focus groups were held (two rural and one urban site) with a total of 31 adults between August 2015 and April 2016. Participants reported coping strategies employed during times of food insecurity, such as use of food assistance programs and relying on family members to supplement meals. Participants reported some intergenerational living or child care arrangements, which blunted some food insecurity through pooled resources but introduced a loss of parental control over some feeding choices. Some geographic differences in coping strategies were noted. For example, urban families with greater access to food outlets reported shopping frequently (every day or every other day), which resulted in spending more on food than planned. Rural families reported infrequent food purchasing trips, which often resulted in the purchase of fewer fresh fruits and vegetables. Rural families also reported using hunting, gathering, and sharing practices (e.g., hunting deer, harvesting wild rice) and individual/community gardens to supplement their diet. Table 4 includes sample comments from urban and rural participants.


3.2 Orientation to Esri Business Analyst Online (BAO)

Registered students can access the reading in Canvas on the Lesson 3 Readings страница.

The above reading is the introduction to a scenario from Miller's text which you can use to orient yourself to Esri's Business Analyst Online.

In this lesson, we provide a brief overview of Esri's Business Analyst Online (BAO). BAO includes Esri's most current business, demographic, and lifestyle data:

  • Business Data: Refreshed data for the United States and Canada from Dun and Bradstreet.
  • Esri's 2014/2019 US Updated Demographics: Accurate, current-year estimates and five-year projections capture changes to the US population such as growth and decline increased diversity aging and changes to household types, home values, employment, and income.
  • 2008/2012 US American Community Survey (ACS): Updated survey data from the Census Bureau. Variables include households with/without a disabled person and households using food stamps.
  • Esri's 2014 Tapestry Segmentation: Tapestry reflects changes in the US population such as increased diversity, changing households, aging, and nontraditional families.

You will be receiving an email from the instructor with directions to access the Penn State licensed Esri Business Analyst Online, using your PSU user name and password. The email provides access to the BAO system and class group work, so please be sure to check your Penn State email. Once logged into the site, you will notice that additional help documentation is available as well as instructional videos on the website.

  • Log into Esri's BAO.
  • Select the "Maps" tab.
  • Choose "Define Areas for Reports."
  • Select "Geography," search for your geography, enter ("Minneapolis, MN"), Go.
  • Select the radio button for "Metropolitan Areas (CBSAs)," check Minneapolis-St. Paul, Click "Next."
  • You should now have a polygon on the map around Minneapolis MN (see Figure 3.1).

Upcoming assignments will involve creating choropleth maps and using Esri's Tapestry data on BAO. Familiarize yourself with those two topics by utilizing Esri's documentation and instructional videos to help you better understand how to display the information.

There are some excellent free resources for learning Esri's Business Analyst Online as follows:

We will only complete the first part of this activity this week (Exploring Your Own Market, Part 1), continuing on with site selection next week.

  • Murphy, Geography: Why It Matters, Chapter 3 "Places" excerpt (pp. 75-86)
  • Church/Murray, Business Site Selection, Location Analysis, and GIS, Chapter 1 (pp. 1-16)
  • Buckner, Site Selection, Chapter 6 "Prioritizing Markets" (pp. 74-84)
  • Esri. 2019. Tapestry Life Mode Reference Tables. Tapestry Segmentation. Esri.

The Geography: Why it Matters reading is from the required textbook for this course.
Registered students can access the other readings in Canvas on the Lesson 3 Readings страница.

Optional Readings

  • Spaeder, Karen. E. 2019. How to Find the Best Location: A guide to scouting out a location for your food or retail business, sizing up demographics and getting the help you need. Entrepreneur.
  • Kerski, Joseph & Clark, Jill. 2019. GIS Guide to Public Domain Data. Esri Press.
  • ArcGIS Hub open data portal. Esri. www.arcgisonline.com

Registered students can access the reading in Canvas on the Lesson 3 Readings страница.


Measuring Exposure Density by Neighborhood over Time

We explore three hypotheses. First, large-scale mobility data can represent neighborhood activity levels over time, and neighborhood social distancing can be measured by changes in this observed activity. Second, disparities in community activity changes before and after a stay-at-home order are associated with neighborhood socioeconomic, demographic, and built-environment characteristics. Third, variations in neighborhood social distancing result in disparities in COVID-19 infections and outcomes, controlling for differences in population health risk.

To examine these questions, we introduce exposure density ( E x ρ ) as a high-spatiotemporal-resolution social-distancing metric using large-scale mobility data without tracking individual devices. The goal of social distancing is to reduce the probability of contact between potentially infected and noninfected individuals therefore, it can be defined mathematically as the inverse proportion of human activity density, represented by the number of people in a given area at a given time. Naively, a lower activity volume, holding spatial area constant, results in a lower dynamic population density, thus decreasing the probability of close contacts. However, this metric needs to account for both the volume of activity in an area and the type of land use where activities occur. For example, activities in residential buildings can be a measure of people staying at home, while activities outside of residential buildings, depending on the specific nature of those activities, are more likely to increase exposure risk by raising the likelihood of contact with those outside of the family or household unit. As transmission risk increases with a greater probability of close contacts outside of the household or family unit, we quantify E x ρ based on activities in nonresidential buildings (e.g., office buildings, hotels, and retail stores) and outdoor areas (e.g., parks, sidewalks, and open spaces). We measure the average number of hourly users per grid cell (250 m × 250 m) outside of residential buildings for 177 zip code tabulation areas during the pre-COVID period and after the stay-at-home order.

The average change in neighborhood exposure density before and after the New York stay-at-home order (by grid cell) and COVID-19 infection positivity rates (by zip code) are presented in Fig. 1. The positivity rate is a measure of the prevalence of disease infection, represented by the percentage of COVID-positive tests out of all tests conducted in a given area using a PCR test (SI Appendix, Table S3). The citywide overall activity volume decreased approximately 20% after the stay-at-home order when compared to the pre-COVID baseline (SI Appendix, Fig. S2). However, there are significant disparities in neighborhood exposure density levels across the city, as shown in Fig. 1, Upper. A majority of neighborhoods in Manhattan, and several in Brooklyn, experienced large reductions in exposure density, a result, in part, of a decrease in overall population as many residents left the city, and a shift in activities from nonresidential and outdoor areas to residential buildings for those that remained. On the other hand, neighborhoods in South Brooklyn, East Queens, and Staten Island showed an increase in exposure density, despite having relatively lower urban densities, as more residents stayed within their local communities. The measured change in exposure density corresponds with higher positivity rates, as illustrated in Fig. 1, Нисък. Overall, this visual representation suggests that areas with lower median incomes and lower housing density had greater infection risk during the study period.

Neighborhood exposure density change by 250-m × 250-m grid cell (Upper) and COVID-19 positivity rate by zip code (Нисък).