Model-Based Geostatistics for Prevalence Mapping in Low-Resource Settings
资源有限环境下患病率制图的模型化地统计方法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：摘要属于空间公共卫生统计，未涉及所列经济计量领域中的面板、经济网络或因果效应分析。
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
资源有限环境下患病率制图的模型化地统计方法
- 研究问题
- 在社区调查数量有限且空间分布稀疏时，如何结合环境代理信息绘制患病率地图，并处理调查偏差、时空变化及额外零值？
- 方法与思路
- 作者综述二项误差、logistic 链接及高斯空间过程组成的广义线性混合模型，并讨论偏差调查融合、时空与空间零膨胀扩展。
- 材料陈述的贡献
- 摘要称文章汇集标准模型的方法与软件，介绍由实际应用推动的若干扩展，并通过非洲公共卫生项目中的疾病制图说明其使用。
- 阅读关注点
- 应核对非随机调查偏差的建模与可识别性、空间协方差和零膨胀设定，以及稀疏调查区域预测的不确定性如何表达。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出调查融合的具体假设或预测精度，不能推断不同公共卫生场景下的普遍有效性。
原文摘要
In low-resource settings, prevalence mapping relies on empirical prevalence data from a finite, often spatially sparse, set of surveys of communities within the region of interest, possibly supplemented by remotely sensed images that can act as proxies for environmental risk factors. A standard geostatistical model for data of this kind is a generalized linear mixed model with binomial error distribution, logistic link, and a combination of explanatory variables and a Gaussian spatial stochastic process in the linear predictor. In this article, we first review statistical methods and software associated with this standard model, then consider several methodological extensions whose development has been motivated by the requirements of specific applications. These include: methods for combining randomized survey data with data from nonrandomized, and therefore potentially biased, surveys; spatio-temporal extensions; and spatially structured zero-inflation. Throughout, we illustrate the methods with disease mapping applications that have arisen through our involvement with a range of African public health programs.