A spatiotemporal negative binomial model with dynamic dispersion: An application to Tuberculosis infections
具有动态离散度的时空负二项模型：结核感染应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确建立动态计数 INGARCH 模型并分析月度序列，按时间序列方法分类；其应用对象是公共卫生。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
具有动态离散度的时空负二项模型：结核感染应用
- 研究问题
- 如何同时描述结核通知计数的空间差异、跨地区关联和随时间变化的过度离散，以改进监测中的拟合与预测不确定性刻画？
- 方法与思路
- 作者构建条件均值与离散度共同动态变化的空间负二项 INGARCH 模型，用邻接或 Matérn 距离关联，并以两步剖面似然估计。
- 材料陈述的贡献
- 摘要称模型在圣保罗结核数据中改善了相对基准的拟合与不确定性刻画，并揭示局部暴发相关的动态过度离散及短程空间关联。
- 阅读关注点
- 应核对动态均值和离散度的稳定性、空间关联结构、两步估计收敛，以及预测覆盖率如何评估和基准模型如何设定。
- 阅读边界
- 所给版本为预印本，不能据此确认同行评审或期刊接收；摘要未给完整验证设计，空间关联也不能直接解释为因果传播。
原文摘要
Tuberculosis (TB) remains a critical public health concern in Brazil, characterized by pronounced spatial heterogeneity and fluctuating temporal volatility. In this paper, we study monthly TB notifications across 61 microregions of Sao Paulo state from 2001 to 2024. To do this, we introduce a negative binomial spatial integer-valued generalized autoregressive conditional heteroskedastic (INGARCH) model featuring jointly dynamic conditional means and time-varying dispersion. To capture inter-regional spillovers, we incorporate both discrete adjacency structures and a novel continuous distance-based formulation leveraging the Matern correlation function. Parameter estimation via conditional maximum likelihood employs a two-step profile-likelihood iterative scheme, demonstrating solid finite-sample performance in simulation studies. Applied to the Sao Paulo TB surveillance data, the framework substantially outperforms standard Poisson and fixed-dispersion spatiotemporal baselines in empirical fit and uncertainty quantification, maintaining nominal 95% predictive coverage across both dense metropolitan centers and rural microregions. Our results reveal marked spatial heterogeneity in baseline incidence, dynamic overdispersion driven by localized outbreaks, and short-range spatial interaction decay. By accurately modeling spatiotemporal volatility, the proposed methodology provides a robust statistical tool to support public health surveillance, policy-making, and resource allocation.