贝叶斯空间函数数据聚类：疾病监测中的应用
统计方法学
2024-07-18 v1
摘要
我们的方法扩展了将随机生成树应用于响应变量属于指数分布族的情况的应用，使其适用于广泛的实际场景，包括非高斯似然分布。该模型解决了以往空间聚类方法的局限性，允许所有聚类内模型参数均为聚类特定，从而提供更大的灵活性。此外，我们提出了贝叶斯推断算法，通过采用组成抽样和集成嵌入拉普拉斯近似 (INLA) 来计算接受概率所需的边际分布，从而克服了可逆跳跃马尔可夫链蒙特卡罗 (RJ-MCMC) 算法的计算挑战。该改进提高了贝叶斯推断在复杂模型中的混合性和可行性。我们通过模拟研究并应用于实际的疾病地图应用：美国的 COVID-19 以及巴西 Minas Gerais 和 São Paulo 州的登革热疾情。我们的结果表明，该模型能够揭示疾病暴发的有意义的空间模式和时间动态，为公共卫生决策和资源分配提供宝贵的见解。
引用
@article{arxiv.2407.12633,
title = {Bayesian spatial functional data clustering: applications in disease surveillance},
author = {Ruiman Zhong and Erick A. Chacón-Montalván and Paula Moraga},
journal= {arXiv preprint arXiv:2407.12633},
year = {2024}
}