空间健康数据的图模型

关于高斯图模型 (GGMs) 的文献包含两个同样丰富且同样重要的研究领域。第一个研究领域涉及图确定问题。即，底层图是未知的，需要从数据中推断。第二个研究领域在空间流行病学的应用中占主导地位。在此背景下，GGMs 通常被称为高斯马尔可夫随机场 (GMRFs)。这里假设底层图是已知的：顶点对应地理区域，而边与被视为彼此邻居的区域相关联（例如，如果它们共享边界）。我们引入了多路高斯图模型，将时空流行病学的统计推断方法与一般 GGMs 的文献统一起来。所提出工作的新颖性在于将 G-Wishart 分布添加到用于建模多变量区域数据的大量统计工具集中。与描述地理的固定图相反，在数据的其他维度上存在与图确定相关的固有不确定性。我们新的空间流行病学方法类允许同时使用 GGMs 来表示已知的空间依赖关系，并确定数据其他维度中的未知依赖关系。