从聚合二元数据中恢复个体层面的空间推断
统计方法学
2021-05-10 v2
摘要
二元回归模型常用于流行病学和生态学等学科,以确定空间协变量如何影响个体。在许多研究中,为保护隐私,二元数据以空间聚合形式共享。例如,研究人员可能报告某地缘政治单元内是否检测到疾病,而非报告每个受试者的检测地点与结果。通常,空间聚合过程掩盖了响应变量、空间协变量及每个个体的位置取值,这使得恢复个体层面的推断变得困难。我们表明,对双变量点过程模型施加一系列变换(包括支持度变换),可使研究者从空间聚合二元数据中恢复关于空间协变量的个体层面推断。该系列变换保留了常用于个体层面数据的理想二元回归模型的便利解释性。通过模拟实验,我们在不同空间聚合类型下将所提方法的性能与使用原始个体层面数据的标准方法进行比较。我们利用一个已聚合以保护某濒危蝙蝠物种的数据集,通过建模个体层面的感染概率来展示我们的方法。我们的模拟实验与数据示例证明了当无法或不允许获取原始非聚合数据时,所提方法的实用性。
引用
@article{arxiv.2004.12013,
title = {Recovering individual-level spatial inference from aggregated binary data},
author = {Nelson B. Walker and Trevor J. Hefley and Anne E. Ballmann and Robin E. Russell and Daniel P. Walsh},
journal= {arXiv preprint arXiv:2004.12013},
year = {2021}
}