MAIHDA
MAIHDA — Multilevel Analysis of Individual Heterogeneity and Discriminatory Accuracy — is a quantitative method for studying intersectional inequalities. Introduced for intersectionality by Clare Evans and S. V. Subramanian in 2018, building on Juan Merlo's discriminatory-accuracy framework, it treats the many strata formed by crossing social categories (for example gender × race/ethnicity × education) as level-2 units in a multilevel model, then partitions outcome variation between and within those strata to assess how much intersectional position predicts the outcome.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
- Evans, C. R., Williams, D. R., Onnela, J.-P., & Subramanian, S. V. (2018). A multilevel approach to modeling health inequalities at the intersection of multiple social identities. Social Science & Medicine, 203, 64–73. · DOI 10.1016/j.socscimed.2017.11.011
- Merlo, J. (2018). Multilevel analysis of individual heterogeneity and discriminatory accuracy (MAIHDA) within an intersectional framework. Social Science & Medicine, 203, 74–80. · DOI 10.1016/j.socscimed.2017.12.026
- Evans, C. R., Leckie, G., Subramanian, S. V., Bell, A., & Merlo, J. (2024). A tutorial for conducting intersectional multilevel analysis of individual heterogeneity and discriminatory accuracy (MAIHDA). SSM - Population Health, 26, 101664. · DOI 10.1016/j.ssmph.2024.101664
Kuratoituja väitteitä
Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.
Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.
Liittyvät metodit
Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.