用于高维多类型响应的潜多元对数伽马模型及其在每日细颗粒物与死亡计数中的应用
统计方法学
2019-09-06 v1
摘要
追踪与估计每日细颗粒物（PM2.5）非常重要，因为已表明 PM2.5 与肺、心血管系统及中风相关死亡直接相关。即，PM2.5 高值在美国构成公共卫生问题，精确估计 PM2.5 以辅助公共政策决策十分重要。为此，我们提出一种针对高维“多类型”响应的贝叶斯分层模型。所谓“多类型”响应，是指一组具有不同分布假设的相关响应（例如连续偏态观测与计数值观测）。美国疾病控制与预防中心（CDC）数据库提供了与 PM2.5 相关的死亡计数与每日平均 PM2.5，二者在我们的分析中均被视为响应。我们的模型利用了 Weibull 分布（用于建模 PM2.5）、Poisson 分布（用于建模疾病死亡）与多元对数伽马分布之间共享的共轭结构，并采用降维以辅助计算。我们的模型还可用于提高估计精度并估计未公开/缺失县的值。我们提供了模拟研究以说明模型表现，并对 CDC 数据集给出深入分析。
引用
@article{arxiv.1909.02528,
title = {Latent Multivariate Log-Gamma Models for High-Dimensional Multi-Type Responses with Application to Daily Fine Particulate Matter and Mortality Counts},
author = {Zhixing Xu and Jonathan R. Bradley and Debajyoti Sinha},
journal= {arXiv preprint arXiv:1909.02528},
year = {2019}
}