用于空间疾病制图的分层多变量有向无环图自回归（MDAGAR）模型
统计方法学
2021-02-08 v1
摘要
疾病制图是流行病学家用来评估疾病率的地理差异并从空间模式中识别潜在环境风险因素的重要统计工具。此类地图依赖于针对区域聚合数据的空间模型，其中相邻区域往往比距离较远的区域表现出更相似的结果。我们对多变量疾病制图的文献做出贡献，该文献处理每个区域中多种（两种或更多）疾病的测量。我们旨在从每种疾病的空间自相关中解开多种疾病之间的关联。我们发展了多变量有向无环图自回归（MDAGAR）模型以容纳空间与疾病间依赖。该分层构造赋予了灵活性与丰富性、空间自相关与疾病间关系的可解释性，以及计算上的简便，但依赖于对癌症建模的顺序。为避免此问题，我们展示了如何使用桥式抽样轻松实现贝叶斯模型选择与跨顺序平均。我们通过模拟研究将我们的方法与一个竞争方法进行比较，并给出了使用监测、流行病学与最终结果（SEER）项目的数据进行多种癌症制图的应用。
引用
@article{arxiv.2102.02911,
title = {Hierarchical Multivariate Directed Acyclic Graph Auto-Regressive (MDAGAR) models for spatial diseases mapping},
author = {Leiwen Gao and Abhirup Datta and Sudipto Banerjee},
journal= {arXiv preprint arXiv:2102.02911},
year = {2021}
}