基于生成模型的疾病制图
统计方法学
2016-07-26 v1
摘要
疾病制图关注的是识别呈现高相对风险的区域单元。针对疾病计数的疾病制图模型，以相对于期望计数的相对风险来设定泊松回归。这些模型通常纳入空间随机效应以实现空间平滑。此类模型的拟合通常通过内部标准化来计算期望疾病计数。这使得数据同时出现在模型的两侧，即计数位于左侧，但它们也被用于获取右侧的期望计数。因此，这些内部标准化模型是不自洽且非生成式的；从概率上讲，它们无法产生观测数据。在此，我们主张采用直接的生成式模型来处理疾病计数。我们使用广义逻辑回归对疾病发病率而非相对风险进行建模，并在模型拟合后提取相对风险。我们还将生成式模型扩展到动态场景。我们通过模拟数据集和俄亥俄州一个经过充分研究的肺癌发病率数据，对生成式模型与内部标准化模型进行了比较。每种模型都是一个空间平滑器，它们在相对风险方面对数据的平滑效果相似。然而，生成式模型倾向于提供更窄的置信区间。由于生成式规范在拟合上并不更困难，具有自洽性，并且在推断上至少同样出色，我们建议它应成为空间疾病制图的首选模型。
引用
@article{arxiv.1607.07002,
title = {Disease Mapping with Generative Models},
author = {Feifei Wang and Jian Wang and Alan E. Gelfand and Fan Li},
journal= {arXiv preprint arXiv:1607.07002},
year = {2016}
}