...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Statistics in medicine >A spatially discrete approximation to log‐Gaussian Cox processes for modelling aggregated disease count data
【24h】

A spatially discrete approximation to log‐Gaussian Cox processes for modelling aggregated disease count data

机译：对逻辑高斯Cox进程进行空间离散近似，用于建模聚合疾病计数数据

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this paper, we develop a computationally efficient discrete approximation to log‐Gaussian Cox process (LGCP) models for the analysis of spatially aggregated disease count data. Our approach overcomes an inherent limitation of spatial models based on Markov structures, namely, that each such model is tied to a specific partition of the study area, and allows for spatially continuous prediction. We compare the predictive performance of our modelling approach with LGCP through a simulation study and an application to primary biliary cirrhosis incidence data in Newcastle upon Tyne, UK. Our results suggest that, when disease risk is assumed to be a spatially continuous process, the proposed approximation to LGCP provides reliable estimates of disease risk both on spatially continuous and aggregated scales. The proposed methodology is implemented in the open‐source R package SDALGCP .
机译：在本文中，我们开发了对Log-Gaussian Cox过程（LGCP）模型的计算有效的离散近似，用于分析空间簇疾病计数数据。 我们的方法克服了基于马尔可夫结构的空间模型的固有限制，即，每个这样的模型与研究区域的特定分区相关联，并且允许空间连续预测。 我们通过模拟研究比较了LGCP对LGCP的预测性能，并在英国泰恩河畔纽卡斯尔原发性胆汁肝硬化发病率数据。 我们的研究结果表明，当假设疾病风险是空间连续的过程时，提出的LGCP近似值在空间连续和聚集的尺度上提供可靠的疾病风险估计。 所提出的方法在开源R包SDALGCP中实现。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号