用于整合多数据源信息以生成国家免疫覆盖率年度估计的贝叶斯分层建模方法
统计方法学
2022-11-29 v1
摘要
国家免疫覆盖率的估计对于指导国家免疫规划中的政策与决策制定以及确立全球免疫议程至关重要。WHO 与 UNICEF 的国家免疫覆盖率估计(WUENIC)每年利用多数据源信息及一种确定性计算逻辑方法,为各类疫苗-剂次组合及所有 WHO 成员国生成。然而,该方法无法刻画覆盖率测量与估计中固有的不确定性,也未提供统计上严谨的方式来利用并考量针对多种疫苗、国家及时间点收集的免疫覆盖率数据间的相互依赖关系。在此,我们开发了贝叶斯分层建模方法,以生成准确的国家免疫覆盖率估计及其关联不确定性。我们提出并探讨了两种候选模型:平衡数据单一似然(BDSL)模型与非规则数据多重似然(IDML)模型,二者在处理缺失数据及刻画多输入数据源相关不确定性的方式上有所不同。我们提供了仿真研究,表明所提模型生成的估计具有高度准确性,并显示 IDML 模型更优。我们将该方法应用于生成 2000–2019 年间选定疫苗-剂次组合的覆盖率估计。一个在 Stan 编程语言中实现 No-U-Turn 采样器(NUTS)的贡献性 R 包 {\tt imcover} 提升了该方法的实用性与可复现性。
引用
@article{arxiv.2211.14919,
title = {Bayesian hierarchical modelling approaches for combining information from multiple data sources to produce annual estimates of national immunization coverage},
author = {C. Edson Utazi and Warren C. Jochem and Marta Gacic-Dobo and Padraic Murphy and Sujit K. Sahu and Carolina M. Danovaro-Holliday and Andrew J. Tatem},
journal= {arXiv preprint arXiv:2211.14919},
year = {2022}
}
备注
31 pages (main), 4 figures