基于INLA-SPDE方法的两阶段时空模型数据融合
统计方法学
2022-07-21 v1
摘要
本文针对由污染物暴露与健康结局关联这一流行病学问题所驱动的空间错配场景，提出一种两阶段估计方法。我们使用集成嵌套拉普拉斯近似方法来估计两阶段时空模型的参数；第一阶段对暴露进行建模，第二阶段将健康结局与暴露相关联。第一阶段基于贝叶斯融合模型，该模型假设地理统计监测点数据与卫星数据等高分辨率数据具有共同的潜场。第二阶段利用估计潜场的空间平均值以及额外的空间与时间随机效应拟合广义线性混合模型（GLMM）。第一阶段的的不确定性通过从潜场后验预测分布中重复抽样来加以考虑。我们开展了模拟研究，以评估监测点数据稀疏性、时间点数量以及先验设定对参数和区块水平暴露估计的偏差、均方根误差（RMSE）和覆盖概率的影响。结果表明，参数总体估计正确，但潜场参数存在估计困难。该方法在估计区块水平暴露以及暴露对健康结局的影响方面表现非常好，而后者正是空间流行病学家与卫生政策制定者关注的主要参数，即便使用非信息先验时亦然。
引用
@article{arxiv.2207.10027,
title = {Data Fusion in a Two-stage Spatio-Temporal Model using the INLA-SPDE Approach},
author = {Stephen Jun Villejo and Janine B Illian and Ben Swallow},
journal= {arXiv preprint arXiv:2207.10027},
year = {2022}
}