A Joint Model for Disease Mapping with Spatially Correlated Count Data and Covariate Measurement Error
Notice bibliographique
Résumé
Abstract Cross-sectional and case-control studies are popular individual- level designs. Cross-sectional studies measure/determine prevalence of an adverse health condition, while case-control studies compare two groups based on the exposure measured retrospectively. Individuals within a population can be divided into groups based on observed characteristics, and a particular group may be more or less susceptible to an adverse health condition. In contrast to individual-level study designs, disease mapping and ecological regression models are well-known methods for modeling population-level characteristics using aggregated data. Such designs emphasize on group-level characteristics and ignore variability within groups. However, optimal prediction of an adverse health condition requires us to integrate these techniques into a general frame-work for modeling individual- and group-level factors simultaneously. To overcome this methodological gap, we formulate the joint Besag-York-Mollie (BYM2) model for modeling adverse health condition, integrating individual- and group-level factors into a single framework. The individual- and group-level factors are modelled using submodels linked through association parameters in the joint BYM2 model. The group-level submodel can incorporate spatial auto-correlation in the outcome and covariate measurement error. We propose a Bayesian approach for inference and present comparative studies, via both real and simulated data. The simulation results demonstrate better performance of the joint BYM2 model for capturing parameter values with reasonable uncertainty. We demonstrate an application for modeling the risk of developing adverse health condition among Canadian secondary school students using individual-, school-, and neighbourhood-level risk factors.
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 | 0,014 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».