登记数据中时间趋势的估计与外推——从相关人群中借力
应用统计
2012-03-21 v2
摘要
年龄-时期-队列（APC）模型在分析和预测特定年龄死亡率或发病率方面非常流行。贝叶斯方法通过为年龄、时期和队列效应分配平滑先验，便于估计并改进预测。使用额外的随机效应可以直截了当地调整过离散。当比率进一步分层时，例如按国家分层，可以使用多变量APC模型，其中分层特定效应的差异可解释为对数相对风险。在这里，我们将相关的分层特定平滑先验和相关过离散参数纳入多变量APC模型，并使用马尔可夫链蒙特卡洛和集成嵌套拉普拉斯近似进行推断。与无相关性的模型相比，新方法可能得到更精确的相对风险估计，正如在英格兰和威尔士三个地区慢性阻塞性肺疾病死亡率中的应用所示。此外，由于新方法利用了其他分层（如果存在相应观测值）的优势，特定分层缺失数据的插补可能得到改进。这在20世纪丹麦、瑞典和挪威女性死亡率的应用中得到展示，我们依次将每个国家的前半部分或后半部分观测值视为缺失，然后插补遗漏数据。将预测结果与使用适当的Dawid-Sebastiani评分规则从单变量APC模型和扩展的Lee-Carter人口统计预测方法获得的结果进行比较。
引用
@article{arxiv.1108.0606,
title = {Estimation and extrapolation of time trends in registry data---Borrowing strength from related populations},
author = {Andrea Riebler and Leonhard Held and Håvard Rue},
journal= {arXiv preprint arXiv:1108.0606},
year = {2012}
}
备注
Published in at http://dx.doi.org/10.1214/11-AOAS498 the Annals of Applied Statistics (http://www.imstat.org/aoas/) by the Institute of Mathematical Statistics (http://www.imstat.org)