关于疾病监测捕获-再捕获研究中对数线性建模框架的一些陷阱
应用统计
2023-06-21 v1
摘要
在流行病学研究中，捕获-再捕获(CRC)方法是一种强有力的工具，可基于重叠监测系统的数据估计病例数或潜在的疾病患病率。由对数线性模型导出的估计量被流行病学家广泛用于分析CRC数据。对数线性模型框架的流行很大程度上源于其易用性，以及交互项可允许数据流间某些类型的相依性。本文借助真实数据示例与模拟研究，揭示了CRC背景下对数线性模型框架的显著陷阱。首先，我们证明对数线性模型范式具有高度排他性，即按其设计可排除许多与观测数据潜在一致的可能估计。其次，我们阐明了常规使用的模型选择度量（如信息准则）在此背景下选择最佳模型时根本上的误导性。通过聚焦这些重要警示点及拟合对数线性模型至CRC数据时所做的基本不可检验相依假设，我们希望提升后续基于监测的CRC病例数估计的质量与透明度。
引用
@article{arxiv.2306.10666,
title = {On some pitfalls of the log-linear modeling framework for capture-recapture studies in disease surveillance},
author = {Yuzi Zhang and Lin Ge and Lance A. Waller and Robert H. Lyles},
journal= {arXiv preprint arXiv:2306.10666},
year = {2023}
}