A flexible Bayesian non-confounding spatial model for analysis of dispersed count data in clinical studies
用于临床离散度计数数据分析的灵活贝叶斯非混杂空间模型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：摘要主要研究临床空间计数模型与离散度处理，未明确处理效应或所列经济计量目标，因此没有充分依据选择细分领域。
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…
用于临床离散度计数数据分析的灵活贝叶斯非混杂空间模型
- 研究问题
- 分析具有空间结构的临床计数数据时，如何同时处理协变量与空间效应的共线性，以及泊松模型难以容纳的过度或不足离散？
- 方法与思路
- 作者结合非混杂空间方法与更新理论计数模型，假定等待时间服从伽马分布，写成潜在高斯模型并用积分嵌套拉普拉斯近似计算。
- 材料陈述的贡献
- 摘要提出同时处理空间混杂与计数离散度的贝叶斯层级方法，通过模拟比较相关方案，并应用于斯洛文尼亚胃癌发病数据。
- 阅读关注点
- 应核对非混杂约束的含义、伽马等待时间如何生成计数分布，以及近似计算误差；检查比较方法与离散度情形是否充分覆盖。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明完整识别条件或比较结果，不能据模型名称认定因果解释有效。
原文摘要
In employing spatial regression models for counts, we usually meet two issues. First, ignoring the inherent collinearity between covariates and the spatial effect would lead to causal inferences. Second, real count data usually reveal over or under-dispersion where the classical Poisson model is not appropriate to use. We propose a flexible Bayesian hierarchical modeling approach by joining non-confounding spatial methodology and a newly reconsidered dispersed count modeling from the renewal theory to control the issues. Specifically, we extend the methodology for analyzing spatial count data based on the gamma distribution assumption for waiting times. The model can be formulated as a latent Gaussian model, and consequently, we can carry out the fast computation using the integrated nested Laplace approximation method. We also examine different popular approaches for handling spatial confounding and compare their performances in the presence of dispersion. We use the proposed methodology to analyze a clinical dataset related to stomach cancer incidence in Slovenia and perform a simulation study to understand the proposed approach's merits better.