通过考虑时空局部不连续性改进小区域疾病风险估计
统计方法学
2026-04-14 v2
摘要
本工作提出了一种两步方法，通过在贝叶斯分层时空模型中整合时空聚类检测来增强小区域的疾病风险估计。首先，我们引入了一种高效的基于扫描统计量的聚类算法，该算法在扫描窗口内采用贪心搜索，能够在大空间域中灵活检测聚类。然后，我们将这些检测到的聚类整合到贝叶斯时空模型中，以估计相对风险，明确考虑已识别的风险不连续性。我们将该方法应用于西班牙大陆层面的市级大规模癌症死亡率数据。结果表明，我们的方法在聚类检测准确性方面优于SaTScan。此外，将聚类信息整合到贝叶斯时空模型中显著改善了模型拟合和风险估计性能，表现为比基于SaTScan或标准BYM2模型更好的DIC、WAIC和对数得分。该方法为流行病学分析提供了有力工具，能够更精确地识别高风险和低风险区域，并提高风险估计模型的准确性。
引用
@article{arxiv.2509.19889,
title = {Improving Disease Risk Estimation in Small Areas by Accounting for Spatiotemporal Local Discontinuities},
author = {G. Santafé and A. Adin and M. D. Ugarte},
journal= {arXiv preprint arXiv:2509.19889},
year = {2026}
}