利用先验信息识别疾病风险图中的边界
统计方法学
2015-03-20 v1 应用统计
摘要
疾病地图展示疾病风险的空间模式，从而识别高风险聚类。风险图中的空间结构通常由一组随机效应表示，这些效应用条件自回归 (CAR) 先验建模。此类先验包含全局空间平滑参数，而真实风险面可能既包含平滑演变区域，也包含不连续区域，后者被称为风险边界。因此，本文提出对 CAR 先验类的一种扩展，能够同时识别局部空间平滑区域和风险边界。然而，允许这种局部平滑需要估计大量相关参数，而这些参数不太可能从数据中得到良好识别。为解决这一问题，我们建议关于此类边界位置引出一个信息性先验，将其与数据信息结合以提供更精确的后验推断。我们在模拟中测试了该方法，随后将其应用于苏格兰大格拉斯哥地区急诊入院风险的研究。
引用
@article{arxiv.1208.4944,
title = {Using prior information to identify boundaries in disease risk maps},
author = {Duncan Lee},
journal= {arXiv preprint arXiv:1208.4944},
year = {2015}
}