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.
Zapis źródłowy
Cytaty skopiowane dosłownie z zapisu źródłowego metody. Nie należy z nich wywnioskować weryfikacji na poziomie twierdzenia.
- 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
Wyselekcjonowane twierdzenia
Twierdzenia utrwalone w rejestrze dowodowym, każde z własną oceną.
Ten widok nie tworzy oceny twierdzenia, jeśli rejestr jej nie zawiera.
Powiązane metody
Wygenerowane z grafu metod i pokazane jako sugerowane przez maszynę powiązania — nie należy z nich wywnioskować twierdzenia dowodowego.