A Regression Method for Spatial Disease Rates: An Estimating Function Approach
空间疾病发生率的回归方法：估计函数途径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。
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：摘要涉及疾病率的空间回归与估计函数，未明确研究因果识别、网络干扰或其他所列方向。
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…
关注这篇论文的作者
空间疾病发生率的回归方法：估计函数途径
- 研究问题
- 如何在疾病发生率回归中利用空间位置与邻近信息，并降低层次空间模型常见的推断计算负担？
- 方法与思路
- 作者采用条件空间建模与无偏估计函数估计回归系数，通过模拟比较层次模型的近似推断，并应用于苏格兰唇癌数据。
- 材料陈述的贡献
- 摘要称所得回归系数估计量在一定条件下一致且渐近正态，提供模拟比较与应用示例，但未给出性能比较数值。
- 阅读关注点
- 应核对条件空间模型与无偏性条件、邻近结构的定义、渐近框架，以及模拟中与层次模型近似推断的比较设置。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；具体条件和计算节省幅度未说明，空间回归关联不能据此视为因果效应。
原文摘要
Epidemiologists commonly study the geographical variation of disease rates to generate and refine testable hypotheses regarding etiology. Poisson regression is often used to estimate the parameters that characterize the effects of risk factors on disease. Hierarchical models have been proposed to utilize spatial locations and neighbors as surrogates for unknown or unmeasured risk factors in the analysis of disease rates. Although hierarchical models are useful in modeling spatial disease rates in a scientifically meaningful way, the analytic tools for them are generally computationally intensive. We overcome this issue by applying a conditional spatial modeling technique using unbiased estimating functions. The resulting estimator of regression coefficients is consistent and asymptotically normally distributed under mild conditions. A simulation study compares the performance of the proposed scheme with the approximate inference methods for hierarchical models. We apply the proposed scheme to Scottish lip cancer incidence data to illustrate its use in practice.