Mais

Ajuda para usar os dados da pesquisa da comunidade americana dos EUA


Quero usar os dados do USA American Community Survey para análise espacial, mas estou tendo dificuldade em entender como as tabelas de levantamento são construídas para poder relacioná-las a shapefiles de grupos de blocos.

Eu fiz com sucesso um shapefile que contém todos os grupos de blocos dos EUA, mas não consigo descobrir como os dados do censo estão relacionados a ele usando o código STFID. Eu tenho alguns milhares de arquivos de texto (chamadose20095ak0001000.txtpor exemplo). Quando eu os leio emReles apareceram com os seguintes cabeçalhos:

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

(Presumo que o código do grupo de blocos não corresponda ao nome do arquivo, pois tenho 12.465 arquivos e 212.083 grupos de blocos)

Percebi que preciso descobrir qual é o código de ID, para vinculá-los aos grupos de blocos, mas não consigo encontrar documentação que explique essas informações (mesmo depois de ler a documentação técnica). Onde esses cabeçalhos de coluna são explicados?

Estou usando a pesquisa ACS de 5 anos.


Você quer montar um conjunto nacional em um arquivo? Por quantas variáveis?

Existem alguns obstáculos a serem superados para realmente conectar os STFIDs em seu arquivo de forma com os dados. Não consegui ler se o seu principal problema é decodificar os esquemas de nomenclatura dos arquivos e descobrir o que há em cada um, ou se era sobre como relacionar as chaves primárias do arquivo de forma e dos arquivos de dados. De qualquer forma, aqui está uma maneira. Devo dizer que me refiro à amostra ACS 2005-2009, mas parece que a estrutura é análoga:

  • Obtenha o arquivo de dados. Parece que você baixou todo o conjunto de dados nacional? Aquele que você se refere é do ACS 2009, Alasca, segmento 0001 (porque há tantos campos no arquivo de resumo do ACS, o bureau os segmenta em mais de 100 arquivos separados para as estimativas e 100 arquivos adicionais contendo margens de erros. os arquivos têm um prefixo "m" (para cada estado).
  • Você também precisará dos cabeçalhos da tabela. Para ACS, eles são armazenados em arquivos xls.
  • STFID é uma forma de se referir exclusivamente a um grupo de blocos. Outro é LOGRECNO, que é o campo realmente encontrado nos arquivos de dados. Você precisa relacionar isso usando um dos arquivos geográficos (também xls). Por exemplo, o da Califórnia está aqui. STFID é uma versão mais curta da coluna C (os últimos 15 caracteres; não lembro o número exato para grupos de quarteirões, mas identifica um código de dois dígitos para o estado, um código de três dígitos para o condado, um código de seis dígitos para o setor , e um (Eu acho) quatro código de um dígito para grupo de bloco). Por exemplo, um grupo de bloqueio em San Francisco seria 060750101001 ou então.
  • Se você estiver interessado apenas em um punhado de variáveis, é muito mais fácil buscar essas tabelas no American Factfinder. Acho que a maioria das pesquisas ACS estão agora no factfinder2.
  • por último, quando estava tratando disso, achei este documento útil, ainda que para a amostra de cinco anos. Este está disponível para a amostra de 1 ano.

Resumo Exibir ajuda para Resumo

A American Community Survey (ACS) é uma pesquisa estatística contínua que coleta uma amostra de uma pequena porcentagem da população a cada ano - fornecendo às comunidades as informações de que precisam para planejar investimentos e serviços. A amostra de microdados de uso público de 5 anos (PUMS) para 2015-2019 é um subconjunto das amostras 2015-2019 do American Community Survey (ACS) e do Puerto Rico Community Survey (PRCS). Ele contém a mesma amostra que os arquivos PUMS de 1 ano combinados para 2015, 2016, 2017, 2018 e 2019. O PUMS de 5 anos da ACS 2015-2019 contém cinco anos de dados para unidades habitacionais (HUs) e a população de domicílios e a população dos quartos do grupo (GQ). A população GQ, unidades habitacionais e população de domicílios são todos ponderados para concordar com as contagens ACS, que são uma média ao longo do período de cinco anos (2015-2019). A amostra da ACS é selecionada em todos os condados do país e em todos os municípios de Porto Rico.


Escopo do Projeto

Período (s) de tempo Ver ajuda para período (s) de tempo

Data de Coleta Ver ajuda para Data de Coleta

Notas de Coleta de Dados Ver ajuda para Notas de Coleta de Dados

Esta coleta de dados não contém registros de pessoas em Porto Rico.

Os usuários são fortemente encorajados a ler toda a documentação, incluindo amostragem, erros de amostragem, pesos e imputação antes de analisar os dados. A documentação está disponível para download com esta coleção.

Ocasionalmente, as categorias de resposta usadas nos arquivos de dados ACS devem mudar. Isso pode fazer com que um arquivo PUMS de vários anos carregue duas ou mais variáveis ​​para substituir a variável única original vista no PUMS de 1 ano. Isso ocorre por causa de mudanças nos sistemas de classificação usados ​​para análise da economia, bem como mudanças nos códigos de raça, ancestralidade, local de nascimento e definições de Áreas de Microdados de Uso Público (PUMAs).

No ano de dados de 2012, um conjunto de variáveis ​​de safra dupla foi introduzido no arquivo PUMS de 5 anos. O conjunto de dados PUMS de 5 anos da ACS 2012-2016 é o primeiro produto de 5 anos a conter cinco anos de dados com as variáveis ​​de safra de 2012. Nos arquivos de 2012-2016, essas variáveis ​​foram renomeadas, com o ano agora removido do nome da variável. Por exemplo, a variável POBP12 no conjunto de dados PUMS de 5 anos de 2011-2015 é chamada de POBP no conjunto de dados 2012-2016.

A menor unidade geográfica identificada é a Área de Microdados de Uso Público (PUMA). PUMAs são áreas especiais não sobrepostas que dividem cada estado em unidades geográficas contíguas contendo não menos que 100.000 pessoas cada. Os arquivos PUMS de 5 anos do ACS de 2012-2016 dependem dos limites do PUMA que foram traçados pelos governos estaduais após o Censo de 2010.

Esta coleta de dados inclui um arquivo de verificação que fornece estimativas para características selecionadas fornecidas para ajudar os usuários de dados a determinar se eles estão usando corretamente os pesos para calcular estimativas. Algumas dessas estimativas podem ser diferentes das estimativas para as mesmas características publicadas no American FactFinder. Os usuários podem encontrar o arquivo de verificação no Guia Técnico do Usuário. Para obter uma explicação dessas diferenças, consulte a seção "Precisão dos dados" do Guia técnico do usuário.

Se os usuários de PUMS quiserem comparar as estimativas de PUMS de 5 anos de 2012-2016 com PUMS de 2011-2015, ou quiserem reutilizar um programa escrito para dados de PUMS de 5 anos de 2011-2015, consulte a seção "Leia-me" no Guia Técnico do Usuário sobre variáveis ​​com mudanças entre 2015 e 2016. Para obter mais detalhes sobre as mudanças, consulte os Dicionários de dados e listas de códigos PUMS de 5 anos de 2011-2015 e 2012-2016.

Variáveis ​​adicionadas desde PUMS de 5 anos anteriores: RACNH e RACPI.

Variáveis ​​excluídas desde os PUMS de 5 anos anteriores: ANC1P05, ANC2P05, CITWP05, LANP05, MARHYP05, MIGPUMA00 MIGSP05, OCCP10, POB05, POWPUMA00, POWSP05, PUMA00, RAC2P05, RAC3P05, RACP10HPI, SOCP10.

Variáveis ​​com códigos novos ou modificados desde os PUMS de 5 anos anteriores: ADJHSG, ADJINC, BUS, CITWP, CONP, LANP, MARHYP, PLM, SERIALNO, SVAL, TOIL, YBL, YOEP, FBUSP e FTOILP.

Variáveis ​​com alterações cosméticas em rótulos de variáveis ​​ou rótulos de valor: ANC1P, ANC2P, FER, LANP, MIGPUMA, MIGSP, OCCP, POBP, POWPUMA, POWSP, PUMA, RAC2P, RAC3P, SOCP, SRNT, TEL e FTELP.

Devido ao limite no número de linhas permitidas de 65.536 e colunas permitidas de 256 no Excel 97-2003 (arquivo final, xls), o arquivo Excel sendo distribuído com esta coleção está na versão posterior do Excel (arquivo finalizado em xlsx) .

Para obter mais informações, visite o site da American Community Survey (ACS).


Introdução

Embora a ocorrência de desastres naturais não possa ser controlada, a sociedade pode reduzir os impactos por meio de estratégias eficazes de recuperação pós-desastre. Este estudo avalia as interrupções do furacão Sandy, as velocidades de recuperação do sistema e seus efeitos na produtividade econômica doméstica. O furacão Sandy, um desastre natural de alto impacto denominado "Superstorm Sandy" devido à sua intensidade, atingiu a área da cidade de Nova York (NYC) em 29 de outubro de 2012. A tempestade interrompeu enormemente os sistemas de transporte e energia (Kaufman et al., 2012) , limitando a capacidade do público de chegar a locais de trabalho e retornar à produtividade. Retornar à produtividade, para os fins deste estudo, significa a “capacidade de trabalhar” para um determinado trabalho. Alguns empregos exigem que alguém esteja fisicamente presente, enquanto outros permitem que os funcionários trabalhem remotamente. Aqueles que devem estar presentes precisam do sistema de transporte, enquanto aqueles que trabalham remotamente podem precisar que os sistemas de energia e comunicação estejam funcionando. Ambos os grupos podem enfrentar restrições adicionais, como obrigações de cuidar de crianças devido ao fechamento de escolas e creches, o que influencia ainda mais sua capacidade de serem produtivos.

Na área metropolitana de Nova York, quase um terço dos trabalhadores de 16 anos ou mais que deixam suas casas para trabalhar se desloca usando o transporte público - um modo de transporte público oito vezes a média de outras áreas metropolitanas dos EUA (American Community Survey). Esse compartilhamento de modo alto adiciona complicações, uma vez que se torna mais importante em Nova York do que em outras partes da América urbana restaurar o sistema de trânsito e a infraestrutura de apoio. Famílias de baixa renda podem enfrentar ainda mais desafios devido às opções de transporte reduzidas (por exemplo, não possuir um veículo particular) e à falta de recursos financeiros para pagar por creches durante o fechamento de escolas ou opções de transporte privado de alto custo (Centro de Assistência Técnica de Desastres, 2017 , Masozera et al., 2007, Lowe, 2018). Além disso, as famílias de baixa renda podem estar localizadas em áreas mais vulneráveis ​​a danos. Faber (2015), por exemplo, descobriu que uma porcentagem maior de domicílios nos setores censitários de Nova York inundados por Sandy estavam abaixo da linha de pobreza do que em áreas não inundadas. Essa inundação contribuiu para o fechamento temporário de 150 estações de metrô de Nova York, restringindo o acesso ao sistema para residentes e trabalhadores que normalmente viajam de ou para essas estações. As quedas mais acentuadas no acesso pareceram ocorrer entre áreas com taxas de pobreza extremamente altas, embora não houvesse esses setores suficientes para que esta afirmação apresentasse significância estatística (Faber, 2015).

Vários estudos sobre o comportamento do passageiro após uma interrupção usaram abordagens de pesquisa e modelos estatísticos. Por exemplo, Kontou et al. (2017) capturou a adaptação dos passageiros após o furacão Sandy ao desenvolver cinco modelos logit binários multivariáveis ​​para alterar o modo, cancelar uma viagem de trabalho, alterar a rota e alterar os horários de partida (mais cedo ou mais tarde) para viagens de casa para o trabalho. A literatura existente (Giuliano e Golob, 1998, Zhu et al., 2010, Mokhtarian et al., 2010) observou que mudar o horário de partida e mudar de rota são as duas primeiras opções preferidas para passageiros que enfrentam uma interrupção do transporte e podem ser consideradas decisões táticas (ao contrário de decisões estratégicas) que não envolvem necessariamente investimentos financeiros ou mudanças nas atividades e estão sob o controle do viajante. Mudar de modo é a opção menos preferida (Giuliano e Golob, 1998, Zhu et al., 2010, Mokhtarian et al., 2010), menos provável do que até mesmo cancelar a viagem por completo (Giuliano e Golob, 1998), por falta de carro a propriedade e as opções de serviço de trânsito limitadas restringem a viabilidade de uma mudança de modo (Zhu et al., 2010). O serviço de transporte público e a acessibilidade estão fora do controle do viajante, enquanto a propriedade do carro pode ser considerada uma decisão estratégica, envolvendo um investimento financeiro significativo e esforço para obter o veículo.

A revisão de Levinson e Zhu (2012) de 16 artigos sobre respostas comportamentais a interrupções na rede de transporte identifica várias limitações dos estudos existentes que restringem sua generalização: (1) falta de detalhes nas escolhas de rota e horário de partida, (2) dependência de transporte de opção única adaptação, como mudança de rotas ou horários de partida e falha em incorporar várias opções e (3) falha em considerar a experiência e o aprendizado durante o curso da interrupção. Nossa pesquisa aborda algumas dessas deficiências ao construir um modelo baseado em agente (ABM). Para resolver o problema (1), o ABM considera as opções de rota e horário de partida para cada agente. Para os passageiros de metrô / trem, modelamos a escolha de rota diária completa, enquanto para outros modos, consideramos apenas partes específicas da rota usadas no deslocamento, como pontes e túneis. Com relação à questão (2), nosso ABM permite que os agentes façam várias alterações, como rota e horário de partida, ao mesmo tempo. Finalmente, para a questão (3), os passageiros em nosso modelo aprendem com suas experiências de viagem anteriores, considerando o atraso e a aglomeração do dia anterior para que possam ajustar suas decisões de viagem de acordo.

Os ABMs podem simular situações baseadas no tempo que são complicadas e dinâmicas, como as interrupções associadas ao furacão Sandy, e freqüentemente empregam modelos estatísticos. Central para nossos propósitos, a modelagem baseada em agente oferece uma abordagem apropriada para modelar problemas relacionados ao transporte (Bernhardt, 2007) e incorporar a tomada de decisão humana dinâmica que pode causar diferenças significativas na função total do sistema (Hager et al., 2015). Por exemplo, a modelagem baseada em agente foi usada em estudos de demanda de viagens e comportamento de tomada de decisão durante uma evacuação (Yin, 2014, Zhang et al., 2013, Zhang e Wolshon, 2014, Ukkusuri et al., 2017), o tempo mínimo de evacuação para Florida Keys (Chen et al., 2006), comparando as estratégias de evacuação encenada e simultânea (Chen e Zhan, 2006) e o efeito do tempo de partida na evacuação (Lammel e Klupfel, 2012). Outros estudos usaram técnicas de modelagem baseadas em agentes para calcular a demanda futura de transporte (Huynh et al., 2011) e avaliar problemas de congestionamento rodoviário (Rossetti et al., 2000).

Nosso estudo difere dessas situações de pré-impacto, focando nos passageiros que permanecem na área de impacto e tentam levar uma vida o mais normal possível após o perigo imediato passar. Após o furacão Sandy, os moradores foram afetados por transtornos causados ​​pela tempestade e medidas de recuperação implementadas por várias entidades. Para lidar com essas interrupções, as pessoas mudaram seus padrões de deslocamento. Marsden e Docherty (2013) afirmaram que o comportamento de viagem é muito mais variável do que os formuladores de políticas permitem e estudar o comportamento após cada interrupção pode revelar novos insights. Portanto, para identificar possíveis mudanças de deslocamento e obter novos insights para esforços de recuperação, este estudo usa dados de pesquisa e é informado por estudos anteriores.

Este artigo apresenta um ABM original para capturar o comportamento e a adaptação das pessoas após o furacão Sandy e aborda especificamente como diferentes cenários hipotéticos de recuperação afetam o prazo de quando as pessoas podem retornar a um estado produtivo. Uma melhor compreensão desses fatores pode ajudar as autoridades e agências a decidir como concentrar seus esforços de recuperação para promover um retorno mais rápido à produtividade após um desastre, bem como identificar os sistemas mais críticos para a recuperação primeiro. O restante deste artigo está dividido em quatro seções. A seção 2 descreve o ABM e os dados usados ​​para desenvolvê-lo. A seção 3 apresenta os resultados da investigação de cenários de recuperação que alteram o cronograma real de recuperação do sistema para examinar seu impacto na produtividade. Finalmente, a Seção 4 delineia as conclusões e a Seção 5 apresenta direções e limitações futuras.


Escopo do Projeto

Período (s) de tempo Ver ajuda para período (s) de tempo

Data de Coleta Ver ajuda para Data de Coleta

Notas de Coleta de Dados Ver ajuda para Notas de Coleta de Dados

Esta coleta de dados não contém registros de pessoas em Porto Rico.

Os usuários são fortemente encorajados a ler toda a documentação, incluindo amostragem, erros de amostragem, pesos e imputação antes de analisar os dados. A documentação está disponível para download com esta coleção.

Ocasionalmente, as categorias de resposta usadas nos arquivos de dados ACS mudam, o que pode fazer com que um arquivo PUMS de vários anos carregue duas ou mais variáveis ​​para substituir a única variável original vista no PUMS de 1 ano. Isso ocorre por causa de mudanças nos sistemas de classificação usados ​​para análise da economia, bem como mudanças nos códigos de raça, ancestralidade, local de nascimento e definições de Áreas de Microdados de Uso Público (PUMAs). Este arquivo PUMS de 5 anos de 2008-2012 tem dezesseis conjuntos de variáveis ​​duplas (ou triplas) (também descritas como variáveis ​​vintage), uma vez que muitas variáveis ​​detalhadas foram revisadas para os produtos de dados de 2012. Para obter dados para toda a amostra PUMS, todas essas safras devem ser usadas para uma determinada variável. Um valor de -9, -09, -009 ou -0009 (dependendo do comprimento da variável) é atribuído aos casos para os quais a variável não é aplicável devido ao ano dos dados, exceto para códigos de ocupação. Para obter uma lista completa da variável dupla, consulte o documento ReadMe para o PUMS de 5 anos de 2008-2012 e o PUMS Data Dictionary incluído nesta coleta de dados para obter mais informações sobre essas variáveis.

A menor unidade geográfica identificada é a Área de Microdados de Uso Público (PUMA), que se baseia em um tamanho de população inicialmente de cerca de 100.000 ou mais. Existem dois conjuntos de PUMAs nos PUMS ACS 2008-2012. Os registros PUMS de 2008 a 2011 têm códigos PUMA que foram criados a partir dos arquivos de dados PUMS de 5 por cento do Censo de 2000. Os registros PUMS de 2012 têm códigos PUMA baseados nos dados do Censo de 2010. Os registros mais antigos não têm os códigos PUMA de 2010 e os registros de 2012 não têm os códigos PUMA de 5 por cento baseados em 2000.

Devido ao limite no número de linhas permitidas de 65.536 e colunas permitidas de 256 no Excel 97-2003 (arquivo final, xls), o arquivo Excel sendo distribuído com esta coleção está na versão posterior do Excel (arquivo finalizado em xlsx) .


Mapeando Chamadas 2-1-1 Relacionadas à Insegurança Alimentar em uma Área de 10 Condado do Texas Central por Código Postal: Explorando o Papel do Acesso Geográfico aos Alimentos, Urbanidade e Indicadores Demográficos

A insegurança alimentar é um problema de saúde pública que afeta 12% dos americanos. Indivíduos que vivem em domicílios com insegurança alimentar são mais propensos a sofrer de doenças como subnutrição, obesidade e doenças crônicas. A insegurança alimentar tem sido associada ao acesso geográfico limitado aos alimentos, no entanto, estudos anteriores usaram medidas de acesso limitadas que não captam totalmente as nuances do contexto da comunidade. O objetivo deste estudo foi explorar a associação entre a insegurança alimentar e o acesso geográfico aos alimentos por nível de urbanidade. As ligações 2-1-1 feitas em 2018 no centro do Texas foram classificadas como necessidades alimentares versus necessidades não alimentares. Supermercados e lojas de conveniência foram mapeados usando ArcGIS. O acesso geográfico aos alimentos foi operacionalizado como a presença de supermercados e lojas de conveniência: dentro do CEP apenas nos CEPs vizinhos e não localizados dentro ou em CEPs vizinhos. Estatísticas descritivas e regressão logística binomial foram usadas para examinar associações entre acesso geográfico e chamadas alimentares 2-1-1, estratificadas por nível de urbanidade. 11% das ligações 2-1-1 feitas em 2018 (N = 55.405) foram relacionadas às necessidades alimentares. Os resultados mostraram que os chamadores periurbanos e rurais que viviam em códigos postais que só tinham supermercados nos códigos postais vizinhos tinham maior probabilidade de ligar para tratar de necessidades alimentares em comparação com aqueles que tinham supermercados dentro do código postal. Esses achados indicam que o acesso geográfico aos alimentos está associado à insegurança alimentar, mas essa relação varia de acordo com a urbanidade. Assim, é necessário o desenvolvimento de programas de mitigação da insegurança alimentar nas áreas periurbanas e rurais.

Esta é uma prévia do conteúdo da assinatura, acesso através de sua instituição.


Em 2019, cerca de 9 por cento das crianças com menos de 18 anos viviam em lares em que nenhum dos pais tinha concluído o ensino médio, 26 por cento viviam em lares apenas com a mãe, 8 por cento viviam em lares apenas com o pai e 16 por cento viviam em famílias que viviam na pobreza.

As características das famílias das crianças estão associadas às experiências educacionais das crianças e seu desempenho acadêmico. Pesquisas anteriores descobriram que os fatores de risco de viver em uma família sem um dos pais que concluiu o ensino médio, viver em uma casa com apenas um dos pais e viver na pobreza estão associados a resultados educacionais ruins, incluindo receber notas de desempenho baixas, ter que repetir uma série e abandono do ensino médio. 1, 2 Este indicador examina a prevalência desses fatores de risco entre grupos raciais / étnicos e, para a situação de pobreza, entre os estados. Para obter mais informações sobre a relação entre o status socioeconômico da família e os resultados pós-secundário e de emprego posteriores, consulte A condição da educação 2019 Indicador em destaque Resultados de Educação e Emprego de Jovens Adultos por Nível Socioeconômico Familiar.

Selecione um subgrupo:

Selecione uma característica de subgrupo no menu suspenso abaixo para visualizar textos e figuras relevantes.

1 Inclui pais que concluíram o ensino médio por meio de programas de equivalência, como um programa GED.

NOTA: Inclui apenas crianças menores de 18 anos que residiam com pelo menos um dos pais (incluindo um adotivo ou padrasto excluindo um pai adotivo). O nível de escolaridade mais alto dos pais é o nível de educação mais alto alcançado por qualquer pai que more na mesma casa que a criança. Os pais incluem pais adotivos e padrastos, mas excluem os pais que não residem na mesma casa que seus filhos. Os detalhes podem não somar aos totais devido aos arredondamentos. Embora números arredondados sejam exibidos, os números são baseados em dados não arredondados.

FONTE: Departamento de Comércio dos EUA, Census Bureau, American Community Survey (ACS), 2010 e 2019. Consulte Resumo das Estatísticas da Educação 2020, tabela 104,70.

Em 2019, embora pouco mais da metade das crianças menores de 18 anos vivesse em famílias nas quais um dos pais tinha concluído pelo menos um diploma universitário (diploma de associado ou superior), quase metade vivia em famílias em que nenhum dos pais tinha diploma universitário. Especificamente, 9 por cento viviam em famílias em que nenhum dos pais tinha concluído o ensino médio, 19 por cento viviam em famílias em que o nível mais alto de educação era o ensino médio, 3 e 20 por cento viviam em famílias em que o nível mais alto de educação era alguma faculdade comparecimento, mas nenhum diploma. Dez por cento viviam em famílias em que o nível mais alto de educação alcançado por um dos pais era um diploma de associado. Quarenta e três por cento das crianças viviam em famílias em que o nível mais alto de educação alcançado por um dos pais era bacharelado ou diploma superior, incluindo 23% com bacharelado, 14 com mestrado e 6% com doutorado. 4

Em comparação com 2010, havia percentuais mais baixos de crianças menores de 18 anos em 2019 que viviam em famílias nas quais nenhum dos pais havia concluído o ensino superior. Isso inclui crianças em famílias em que nenhum dos pais tinha concluído o ensino médio (9 x 12 por cento), em que o nível mais alto de educação alcançado por qualquer um dos pais foi a conclusão do ensino médio (19 x 20 por cento), e em que o nível mais alto da educação obtida por qualquer um dos pais foi alguma frequência à faculdade, mas nenhum diploma (20 contra 23 por cento). Isso, por sua vez, significa que havia um percentual maior de crianças em 2019 do que em 2010 que viviam em domicílios em que o maior nível de escolaridade dos pais era no ensino superior. Especificamente, em 2019, cerca de 43 por cento viviam em famílias em que o nível mais alto de educação alcançado por qualquer um dos pais era bacharelado ou diploma superior, em comparação com 35 por cento em 2010. 5

1 Inclui pais que concluíram o ensino médio por meio de programas de equivalência, como um programa GED.

NOTA: Inclui apenas crianças menores de 18 anos que residiam com pelo menos um dos pais (incluindo um adotivo ou padrasto excluindo um pai adotivo). O nível de escolaridade mais alto dos pais é o nível de educação mais alto alcançado por qualquer pai que more na mesma casa que a criança. Os pais incluem pais adotivos e padrastos, mas excluem os pais que não residem na mesma casa que seus filhos. As categorias raciais excluem pessoas de etnia hispânica. Os detalhes podem não somar aos totais devido aos arredondamentos. Embora números arredondados sejam exibidos, os números são baseados em dados não arredondados.

FONTE: Departamento de Comércio dos EUA, Census Bureau, American Community Survey (ACS), 2019. Consulte Resumo das Estatísticas da Educação 2020, tabela 104,70.

O nível mais alto de educação alcançado por qualquer um dos pais de crianças menores de 18 anos variou entre os grupos raciais / étnicos em 2019. A porcentagem de crianças menores de 18 anos que viviam em famílias em que nenhum dos pais tinha concluído o ensino médio era maior para os filhos hispânicos (22 por cento ) do que para crianças de outros grupos raciais / étnicos: índio americano / nativo do Alasca (11 por cento), negro (8 por cento), ilhéu do Pacífico (7 por cento), asiático (6 por cento), duas ou mais raças (4 por cento) e Branco (3 por cento). A porcentagem de crianças que viviam em famílias sem um dos pais que tinham concluído o ensino médio era menor para crianças brancas do que para crianças de qualquer outro grupo racial / étnico.

A porcentagem de crianças em 2019 que viviam em famílias em que o nível mais alto de educação alcançado por um dos pais era pelo menos um diploma de bacharel era menor para hispânicos (22 por cento), índios americanos / nativos do Alasca (24 por cento), habitantes das ilhas do Pacífico (25 por cento), e negros (27 por cento) do que para duas ou mais raças (48 por cento), brancos (54 por cento) e crianças asiáticas (70 por cento).

1 Inclui respondentes que escreveram em alguma outra corrida que não foi incluída como uma opção no questionário.

NOTA: Os dados não incluem filhos adotivos, crianças em subfamílias não relacionadas, crianças que vivem em quartos de grupo e crianças que foram relatadas como o chefe de família ou cônjuge do chefe de família. Uma "família apenas com a mãe" tem uma chefe de família do sexo feminino, sem cônjuge presente (ou seja, o chefe é solteiro ou o cônjuge não está na casa), enquanto uma "casa apenas com o pai" tem um chefe de família do sexo masculino, sem cônjuge presente . Inclui todas as crianças que moram com os pais ou com um chefe de família com quem sejam parentes por nascimento, casamento ou adoção (exceto uma criança que seja cônjuge do chefe). Os filhos são classificados pelo estado civil dos pais ou, se não houver pais presentes na casa, pelo estado civil do chefe de família que é parente dos filhos. O chefe de família é a pessoa (ou uma das pessoas) que possui ou aluga (mantém) a unidade habitacional. As categorias raciais excluem pessoas de etnia hispânica. Embora números arredondados sejam exibidos, os números são baseados em dados não arredondados. Os detalhes não somam 100 por cento porque a categoria “Todos os outros filhos” não é relatada.

FONTE: Departamento de Comércio dos EUA, Census Bureau, American Community Survey (ACS), 2019. Consulte Resumo das Estatísticas da Educação 2020, tabela 102.20.

Em 2019, embora a maioria das crianças menores de 18 anos vivesse em lares de casais casados ​​(63 por cento), 26 por cento viviam em lares somente com a mãe e 8% viviam em lares somente com o pai. 6 Esse padrão - de uma porcentagem maior de crianças vivendo em lares de casais casados ​​do que em lares apenas com a mãe e o pai - foi observado para crianças em todos os grupos raciais / étnicos, exceto para crianças negras. A maioria das crianças negras vivia em lares somente com a mãe (55%), em comparação com 34% que viviam em lares de casais casados ​​e 9% que viviam em lares somente com o pai.

1 Inclui respondentes que escreveram em alguma outra corrida que não foi incluída como uma opção no questionário.

NOTA: A medida de pobreza infantil inclui todas as crianças relacionadas com o chefe de família por nascimento, casamento ou adoção (exceto uma criança que seja cônjuge do chefe de família). O chefe de família é a pessoa (ou uma das pessoas) que possui ou aluga (mantém) a unidade habitacional. Para obter informações adicionais sobre o status de pobreza, consulte https://www.census.gov/topics/income-poverty/poverty/guidance/poverty-measures.html. As categorias raciais excluem pessoas de etnia hispânica. Embora números arredondados sejam exibidos, os números são baseados em dados não arredondados.

FONTE: Departamento de Comércio dos EUA, Census Bureau, American Community Survey (ACS), 2010 e 2019. Consulte Resumo das Estatísticas da Educação 2020, tabela 102,60.

Em 2019, aproximadamente 11,6 milhões de crianças menores de 18 anos viviam em famílias que viviam na pobreza. 7 A taxa de pobreza infantil em 2019 (16 por cento) era menor do que em 2010 (21 por cento). Este padrão foi observado para crianças em todos os grupos raciais / étnicos, exceto para crianças das Ilhas do Pacífico. Por exemplo, 23 por cento das crianças hispânicas viviam na pobreza em 2019, em comparação com 32 por cento em 2010, e 30 por cento das crianças negras viviam na pobreza em 2019, em comparação com 38 por cento em 2010. Para crianças das ilhas do Pacífico, a taxa de pobreza de 2019 foi não mensuravelmente diferente da taxa em 2010.

A taxa de pobreza para crianças menores de 18 anos variou entre grupos raciais / étnicos em 2019. Índios americanos / nativos do Alasca (30 por cento), negros (30 por cento) e crianças hispânicas (23 por cento) tiveram taxas de pobreza superiores à média nacional (16 por cento), enquanto as crianças brancas (10 por cento) e asiáticas (9 por cento) tiveram taxas inferiores à média nacional. As taxas de pobreza para crianças de duas ou mais raças e crianças das ilhas do Pacífico não eram mensuravelmente diferentes da média nacional. Para obter informações adicionais sobre as taxas de pobreza e subgrupos raciais / étnicos, consulte o Status e tendências na educação de grupos raciais e étnicos relatório.

! Interprete os dados com cuidado. O coeficiente de variação (CV) para esta estimativa está entre 30 e 50 por cento.

1 Inclui respondentes que escreveram em alguma outra corrida que não foi incluída como uma opção no questionário.

2 Inclui pais que concluíram o ensino médio por meio de programas de equivalência, como um programa GED.

NOTA: Inclui apenas crianças menores de 18 anos que residiam com pelo menos um dos pais (incluindo um adotivo ou padrasto, excluindo um pai adotivo). O nível educacional mais alto dos pais é o nível mais alto de educação alcançado por qualquer pai que more na mesma casa que a criança. Os pais incluem pais adotivos e padrastos, mas excluem os pais que não residem na mesma casa que seus filhos. A medida de pobreza infantil inclui crianças que são relacionadas ao chefe de família por nascimento, casamento ou adoção (exceto uma criança que é cônjuge do chefe). O chefe de família é a pessoa (ou uma das pessoas) que possui ou aluga (mantém) a unidade habitacional. Para obter informações adicionais sobre o status de pobreza, consulte https://www.census.gov/topics/income-poverty/poverty/guidance/poverty-measures.html. As categorias raciais excluem pessoas de etnia hispânica. Embora números arredondados sejam exibidos, os números são baseados em dados não arredondados.

FONTE: Departamento de Comércio dos EUA, Census Bureau, American Community Survey (ACS), 2019. Consulte Resumo das Estatísticas da Educação 2020, tabela 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.


Resultados

Prevalence of food insecurity

In total, 450 adult-child dyads from five participating communities (n = 240 rural households n = 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 (p < 0.001, Fig. 1). Between food insecure and food secure households, significant differences were observed in education level (p < 0.01), income (p < 0.01), adult age (p < 0.05), and distance traveled to purchase food (p < 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 (n = 450 households) and by rural (n = 240 households) and urban (n = 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 (p < 0.05), WIC participation (p < 0.05), and urban households (p < 0.001), with a trend toward higher odds for single adult households (p = 0.054). Attainment of a college degree or higher was associated with significantly lower odds of food insecurity (p < 0.01). For rural households, single adult households were associated with significantly higher odds (p < 0.01), while attainment of a college degree or higher and working outside of the home were associated with lower odds of food insecurity (p < 0.05 for both). For urban families, the odds of food insecurity decreased with increasing distance traveled to purchase food (p < 0.05) and increased with an increasing number of children in the household (p < 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 (p < 0.05), and significantly higher intake of fried potatoes (p < 0.001), 100% fruit juice (p = 0.001), and other SSBs (p < 0.05). Children from food insecure households had significantly higher intake of salad (p < 0.01), fried potatoes (p < 0.05), soda (p = 0.01), and sports drinks (p < 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 (p < 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 page.

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.

O 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 page.

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 page.


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, Lower. 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 (Lower).