Bayesian hierarchical modelling of noisy spatial rates on a modestly large and discontinuous irregular lattice
Notice bibliographique
Résumé
We present Bayesian hierarchical spatial model development motivated from a recent analysis of noisy small area response rate data, named the Booster data. The Booster data are postcode-level aggregates from a recent mail-out recruitment for a physical exercise intervention in deprived urban neighbourhoods in Sheffield, UK. Bayesian hierarchical Bernoulli-binomial spatial mixture zero-inflated Binomial models were developed for modelling overdispersion and for separation of systematic and random variations in the noisy and mostly low crude response rates. We present methods that enabled us to explore the underlying spatial rate variation, clustering of low or high response rate areas and neighbourhood characteristics that were associated with variations and patterns of invitation mail-outs, zero-response and response rates. Three spatial prior formulations, the intrinsic conditional autoregressive or (iCAR), the Besag-York-Mollié (BYM) and the modified BYM models, were explored for their performance on modelling sparse data on a modestly large and discontinuous irregular lattice. An in-depth Bayesian analysis of the Booster data is presented, with the resulting posterior estimation and inference implemented via Markov chain Monte Carlo simulation in WinBUGS. With increasing availability of spatial data referenced at fine spatial scales such as the postcode, the sparse-data situation and the Bayesian models and methods discussed herein should have considerable relevance to small area disease and health mapping and to spatial regression.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».