面向空间错配健康区域数据的贝叶斯建模：一种多重隶属方法
应用统计
2020-12-08 v3
摘要
英国糖尿病患病率正在上升，对于公共卫生战略而言，相对疾病风险的估计及随后的制图十分重要。我们考虑将该方法应用于伦敦的糖尿病患病率和死亡率数据。为了改进相对风险的估计，我们联合分析患病率和死亡率数据，以确保在两个结果之间借用强度。现有数据涉及两种空间框架：区域（中级超级输出区，MSOAs）和从多个区域招募患者的一般诊所（GPs）。这引发了空间错配问题，我们通过采用多重隶属原则来处理。具体而言，我们转换区域空间效应，以根据不同区域中 GP 常住人口的比例来解释 GP 诊所的患病率。在 Stan 中对 MCAR 和 GMCAR 的稀疏实现允许比较这些二元先验，并探索对两个结果制图模式的不同影响。糖尿病患病率相对于死亡率的必然因果优先性允许在 GMCAR 中做出特定的条件性假设，而这在该疾病制图背景下并非总是存在。
引用
@article{arxiv.2004.05334,
title = {Bayesian modelling for spatially misaligned health areal data: a multiple membership approach},
author = {Marco Gramatica and Peter Congdon and Silvia Liverani},
journal= {arXiv preprint arXiv:2004.05334},
year = {2020}
}