時空間疾患マッピングにおける大きな問題:方法とソフトウェア【JST・京大機械翻訳】

Orozco-Acosta E.; Adin A.; Ugarte M. D.

プレプリント

J-GLOBAL ID：202202216834827651 整理番号：22P0277483

時空間疾患マッピングにおける大きな問題:方法とソフトウェア【JST・京大機械翻訳】

Big problems in spatio-temporal disease mapping: methods and software

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年01月20日プレプリントサーバーでの情報更新日： 2022年10月11日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

面積データに対する空間-時間モデルは,癌疫学のような多くの分野で重要である。しかし,データセットが非常に大きい場合,多くの問題が生じる。本論文の主目的は,死亡率/入射相対リスク推定に特に重点を置いて,高次元時空間計数データを解析する一般的手順を提案することである。小さな面積の数が非常に大きいとき,階層的空間-時間モデルに適合することができる実用的で単純なアイデアを提示した。モデルフィッティングは,空間領域の分割に関する統合ネストLaplace近似を用いて実行した。また,Bayesモデルフィッティングが一般的に時間消費され,実行不可能であっても,並列および分散戦略を用いて,計算をスピードアップした。模擬および実データを用いて,著者らの方法が古典的グローバルモデルより優れていることを示した。著者らは,非エキスパートユーザのための方法論の使用を容易にするために,特定のビグネットが含まれているオープンソースRパッケージビッグDMにおいて開発した方法とアルゴリズムを実行した。スケーラブルな方法論提案は,高次元データのBayes階層空間-時間モデルに適合するとき,信頼できるリスク推定を提供する。【JST・京大機械翻訳】

, , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

疫学 , 統計学 , 計算機網 , パターン認識 , 計算機シミュレーション

, , ,

前のページに戻る