A Bayesian latent gaussian model with time-varying spatial weight matrices: Application to mod-eling the impact of multi-pollutant exposure on tuberculosis
Notice bibliographique
Résumé
The main objective of spatiotemporal analysis is to offer precise predictions of outcomes. The objective of this study is to assess the accuracy of the Bayesian Latent Gaussian Model in predicting outcomes by utilizing both time-varying and fixed spatial weight matrices. The results of the Monte Carlo simulation suggest that when there is moderate spatial autocorrelation (between 0.3 and 0.7), it is strongly advised to use a time-varying spatial weight matrix. This approach yields the most precise predictions and minimizes any distortion in parameter estimates. Furthermore, we provide an illustrative case study where we simulate the effects of exposure to multiple pollutants on tuberculosis. The analysis revealed that particulate matter 10 (PM10), nitrogen oxides (NO2), sulfur dioxide (SO2), carbon monoxide (CO), and ozone (O3), have a positive influence on the risk of TB, with spatial effects that change over time. The model demonstrates that a rise of 1 mg/m³ in the levels of PM10, NO2, SO2, CO, and O3 is linked to corresponding increases in TB cases by 2.1%, 21.17%, 13.20%, 6.72%, and 6.59%, respectively. NO2 and SO2 have the most significant influence on the risk of tuberculosis (TB). These findings enhance our comprehension of the spatial correlation of TB over time and promote further investigation to determine the most efficacious strategies for mitigating the dissemination of TB.
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 | 0,006 | 0,014 |
| 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 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».