利用空间统计方法建立疾病风险模型

论文摘要

疾病地图经常应用于疾病地理分布的研究,构成疾病地图的数据通常是计数型数据。几十年来,统计工作者对疾病风险的空间差异模型进行了深入细致的研究,无论在理论上还是应用上,都取得了许多优秀成果。由于相邻的区域之间,疾病相对风险比较相似,通常使用随机效应模型的方法,通过向相邻的区域借力来估计区域相对风险,这样可以使估计值更为稳定。为进一步研究空间疾病风险的差异程度,我们提出了新的疾病风险结构模型。论文的结构安排如下:首先,介绍了空间统计的概况,回顾了疾病地图在空间流行病学上的发展历史,并结合论文的内容,给出了一些相关的基本概念及方法。其次,我们提出了一个构建相关结构模型的新方法,将离散的区域疾病风险连续化,把区域总体的风险视为一个连续的风险曲面,这样我们不仅可以估计每个区域个体的相对风险,还可以估计区域总体的疾病风险。同时,出于方便计算的考虑,论文对区域相对风险的分布函数进行了近似分析。再次,我们结合随机效应方法及回归模型的有关应用,建立了非空间和空间的疾病风险模型,分别给出了Possion-lognormal模型和联合模型,并针对先验分布函数的选择进行比较分析。最后,为验证模型准确性和稳定性,我们借助Matlab软件对提出的模型进行模拟检验。在模拟实验中,使用了MCMC方法进行相关的随机抽样。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 空间统计学简介
• 1.2 空间疾病模型的研究现状
• 1.3 我国空间疾病统计的发展
• 1.4 选题意义及文章结构
• 第2章 预备知识
• 2.1 高斯随机场Gaussian random field （GRF）
• 2.2 随机效应模型
• 2.2.1 多水平数据结构
• 2.2.2 多水平统计模型的方程表达式
• 2.3 Markov chain Monte Carlo （MCMC）方法
• 2.3.1 基本思路
• 2.3.2 满条件分布
• 2.3.3 Gibbs 抽样
• 2.3.4 应用
• 2.4 本章小结
• 第3章 基于GRF 下的疾病风险模型
• 3.1 研究背景及统计框架
• 3.2 空间统计模型
• 3.2.1 高斯随机场模型
• 3.2.2 算法
• 3.3 随机模拟
• 3.3.1 随机模拟
• 3.3.2 近似处理的检验
• 3.4 补充说明
• 3.5 本章小结
• 第4章 基于随机效应方法的疾病风险模型
• 4.1 研究背景
• 4.2 非空间模型
• 4.2.1 统计框架
• 4.2.2 先验分布的选择
• 4.2.3 随机模拟
• 4.3 空间模型
• 4.3.1 统计框架
• 4.3.2 先验分布的选择
• 4.3.3 随机模拟
• 4.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间承担的科研任务与主要成果
• 致谢
• 作者简介