交互类型 1、2、3 和 4 的近似贝叶斯推断及其在疾病制图中的应用
统计方法学
2022-06-22 v1 统计计算
其他统计学
摘要
本文提出了一种使用交互类型 1、2、3 和 4 拟合时空模型的新方法，并应用于疾病制图。当我们在疾病制图模型中考虑时空交互时，推断在揭示数据中的未知模式方面变得更有用。然而，当位置数量和/或时间点数量很大时，由于推断所需的大量约束条件，计算变得具有挑战性，这适用于包括马尔可夫链蒙特卡洛（MCMC）和集成嵌套拉普拉斯近似（INLA）在内的各种推断架构。我们重新构建了基于稠密矩阵的 INLA 方法，以拟合具有四种交互类型的内蕴时空模型并考虑和为零约束，并讨论了如何在高性能计算框架中实现这种新方法。使用新方法的计算时间不依赖于约束的数量，在现实场景中，其速度可比 INLA 快 40 倍。该方法通过模拟研究和真实数据应用得到验证，并在 R 包 INLAPLUS 和 Python 头函数 inla1234() 中实现。
引用
@article{arxiv.2206.09287,
title = {Approximate Bayesian Inference for the Interaction Types 1, 2, 3 and 4 with Application in Disease Mapping},
author = {Esmail Abdul Fattah and Haavard Rue},
journal= {arXiv preprint arXiv:2206.09287},
year = {2022}
}