A mixture of distributed lag non-linear models to account for spatially heterogeneous exposure-lag-response associations
刻画空间异质性暴露—滞后—响应关系的分布滞后非线性混合模型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：摘要明确利用市级时间序列刻画非线性滞后响应，按方法归入时间序列方向，应用领域为环境流行病学。
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…
刻画空间异质性暴露—滞后—响应关系的分布滞后非线性混合模型
- 研究问题
- 环境暴露对健康的非线性和滞后影响可能因地区而异，如何在共同响应模式与地方差异之间建立灵活模型，改善区域风险刻画？
- 方法与思路
- 作者提出贝叶斯混合模型 DLNM-Clust，将地理单元概率性地分配至潜在空间簇，各簇采用不同的分布滞后非线性模型。
- 材料陈述的贡献
- 摘要称，该方法扩展了通常假设区域响应同质的模型，并以比利时市级空气污染与新冠发病时间序列展示空间异质性建模。
- 阅读关注点
- 应核对空间簇数量的选择、空间依赖的处理及响应曲面的设定，并检查聚类与风险估计的不确定性如何传递到地区比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明混杂控制、模型识别条件或定量改善，不能据此作因果解释。
原文摘要
Environmental exposures, such as air pollution and extreme temperatures, have complex effects on human health. These effects are often characterized by non-linear exposure-lag-response relationships and delayed impacts over time. Accurately capturing these dynamics is crucial for informing public health interventions. The Distributed Lag Non-Linear Model (DLNM) is a flexible statistical framework for estimating such effects in epidemiological research. However, standard DLNM implementations typically assume a homogeneous exposure-lag-response association across the study region, overlooking potential spatial heterogeneity, which can lead to biased risk estimates. To address this limitation, we introduce DLNM-Clust: a novel mixture of DLNMs that extends the traditional DLNM. Within a Bayesian framework, DLNM-Clust probabilistically assigns each geographic unit to one of $C$ latent spatial clusters, each of which is defined by a distinct DLNM specification. This approach allows capturing both common patterns and singular deviations in the exposure-lag-response surface. We demonstrate the method using municipality-level time-series data on the relationship between air pollution and the incidence of COVID-19 in Belgium. Our results emphasize the importance of spatially aware modeling strategies in environmental epidemiology, facilitating region-specific risk assessment and supporting the development of targeted public health initiatives.