用于建模聚合疾病计数数据的对数高斯 Cox 过程空间离散近似
统计方法学
2019-08-29 v2
摘要
在本文中，我们针对空间聚合疾病计数数据的分析，发展了对数高斯 Cox 过程（LGCP）模型的一种计算高效的离散近似。我们的方法克服了基于马尔可夫结构的空间模型固有的局限性，即每个此类模型都绑定于研究区域的一种特定划分，并允许空间连续预测。我们通过一项模拟研究以及针对英国泰恩河畔纽卡斯尔原发性胆汁性肝硬化发病率数据的应用，将我们所建模型的预测表现与 LGCP 进行比较。我们的结果表明，当疾病风险被假定为空间连续过程时，所提出的 LGCP 近似在空间连续与聚合尺度上均能提供可靠的疾病风险估计。所提出的方法已在开源 R 包 SDALGCP 中实现。
引用
@article{arxiv.1901.09551,
title = {A Spatially Discrete Approximation to Log-Gaussian Cox Processes for Modelling Aggregated Disease Count Data},
author = {Olatunji Johnson and Peter Diggle and Emanuele Giorgi},
journal= {arXiv preprint arXiv:1901.09551},
year = {2019}
}
备注
25 pages, 6 figures