.png){kind=icon}
返回
A Bayesian geoadditive model for spatial disaggregation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.spasta.2026.100979.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种新颖的贝叶斯空间离散化模型用于计数数据，可在高分辨率下提供快速且灵活的推断。首先，它采用惩罚样条来整合非线性协变量效应，这是一种灵活的方法，通常未被现有空间离散化方法包含。此外，它采用基于样条的低秩克里金近似来建模空间依赖性。使用拉普拉斯近似在计算上优于传统的马尔可夫链蒙特卡罗（MCMC）方法，便于扩展到大样本数据集。我们探讨了两种估计策略：一种使用精确似然，另一种利用空间离散近似以提高计算效率。模拟研究表明，两种方法均表现良好，近似方法提供了显著的计算优势。我们通过在英国和比利时离散化疾病率来展示模型的应用性，展示了其生成高分辨率风险图的能力。通过结合协变量建模的灵活性、计算效率及易实现性，我们的方法为空间离散化提供了一种实用且有效的框架。
Keyword:
Laplace approximation
Geostatistics
Splines
Disease mapping
