基于图的健康相关面状数据空间分割
统计方法学
2025-05-20 v1 应用统计
摘要
平滑常用于改善含噪面状数据的可读性与可解释性。然而在许多情况下,底层量是间断的。此时需要专门的方法来估计分段常数空间过程。该情形下一种著名的方法是利用邻接图对信号进行分割,如图融合 lasso(graph-based fused lasso)所做。但该方法在大型图上扩展性不佳。本文提出一种用于分段常数空间估计的新方法,其(i)在大型图上计算快速,且(ii)相较于融合 lasso(在相同正则化强度下)产生更稀疏的模型,给出的估计更易解释。我们在模拟数据上演示了该方法,并将其应用于荷兰超重患病率的真实数据。我们识别出了无法用人口或社会经济特征解释的健康与不健康区域。我们发现该方法能够识别此类区域,并可协助决策者制定健康改善策略。该方法在 R 中的实现已公开于 github.com/goepp/graphseg。
引用
@article{arxiv.2206.06752,
title = {Graph-Based Spatial Segmentation of Health-Related Areal Data},
author = {Vivien Goepp and Jan van de Kassteele},
journal= {arXiv preprint arXiv:2206.06752},
year = {2025}
}