面向时序空间数据分布滞后非线性模型的拉普拉斯 P-样条
统计方法学
2025-12-09 v1
摘要
分布滞后非线性模型（DLNM）因其在建模暴露与结果之间非线性滞后关系方面的优势而日益受到关注。当应用于空间参考数据时，这些模型必须考虑空间相关性，而这一挑战在被罚化 DLNM 框架中尚未得到充分探讨。这一局限主要源于模型结构复杂以及处理大规模时空数据集时的计算需求。为此，本文提出一种新型贝叶斯 DLNM-Laplacian-P-样条（DLNM-LPS）方法，采用条件自回归（CAR）先验引入空间相关性——该方法在疾病映射中广泛应用。该方法提供了灵活的框架，既能捕捉非线性关联，又能考虑空间相关性。它利用拉普拉斯近似求解回归参数的条件后验分布，无需采用常规贝叶斯推断中的马尔可夫链蒙特卡洛（MCMC）抽样，从而提升了计算效率。本方法通过仿真研究进行评估，并应用于分析伦敦温度与死亡率之间的关系。
引用
@article{arxiv.2506.04814,
title = {Distributed lag non-linear models with Laplacian-P-splines for analysis of spatially structured time series},
author = {Sara Rutten and Bryan Sumalinab and Oswaldo Gressani and Thomas Neyens and Elisa Duarte and Niel Hens and Christel Faes},
journal= {arXiv preprint arXiv:2506.04814},
year = {2025}
}