基于贝叶斯时空统计方法探讨环境因素对全国手足口病的影响效应
- 格式:pdf
- 大小:1.62 MB
- 文档页数:22
中国大陆气象因素与手足口病发病相关关系的meta分析杜志成;张王剑;郝元涛【期刊名称】《中国卫生统计》【年(卷),期】2016(033)005【摘要】目的采用meta分析的方法,评价基于相关系数的气象因素与手足口病发病相关关系.方法计算机检索PubMed、CNKI、万方和CBM数据库,检索时限均为从2005年1月至2015年4月,查找关于手足口病与气象因素相关性的文献.按照纳入排除标准筛选文献、提取资料并评价质量后,采用R软件包进行meta分析.结果共检出相关文献153篇,最终仅纳入10篇文献.meta分析结果显示:手足口病发病与气象因素有一定的关系.在纳入分析的9个气象因素中,正向相关包括平均水汽压为强相关,平均气温、平均最高气温、平均最低气温为中等程度相关,降水量、日照时间为弱相关,平均风速为极弱相关;负向相关包括平均气压为中等程度相关;而平均相对湿度无相关性.结论气象因素可能在一定程度上影响着手足口病的发病.【总页数】4页(P803-805,808)【作者】杜志成;张王剑;郝元涛【作者单位】中山大学公共卫生学院医学统计与流行病学系,广东省卫生信息学重点实验室 510080;中山大学公共卫生学院医学统计与流行病学系,广东省卫生信息学重点实验室 510080;中山大学公共卫生学院医学统计与流行病学系,广东省卫生信息学重点实验室 510080【正文语种】中文【相关文献】1.向量自回归模型在手足口病发病与气象因素的动态分析中的应用 [J], 韦懿芸2.中国大陆人群慢性阻塞性肺疾病发病危险因素的Meta分析 [J], 张龙举;梁毅;周广;刘文婷3.昆明市2014年手足口病发病与气象因素相关性分析 [J], 游先祥;林赟;毛志鹏;李晓鹏;陆渊;代敏4.鞍山市手足口病日发病数与气象因素的关系及预测模型的建立 [J], 尹晔; 金大庆; 何颖; 乔凡丁; 张宪策; 崔莉敏; 田璐; 高清源5.安阳地区2008—2019年手足口病发病与气象因素的相关性分析 [J], 张翠平;张勇;刘辉;范安静;任桂玲;包红红;陈海成因版权原因,仅展示原文概要,查看原文内容请购买。
手足口病数学模型的研究现状
黄英芬
【期刊名称】《科技信息》
【年(卷),期】2013(000)020
【摘要】本文阐述了国内外研究手足口病的四种方法——统计学、动力学、复杂网络理论、时间序列分析法,并总结了研究的主要结论,为以后手足口病的传播规律的研究提供了一定的理论依据.
【总页数】1页(P139)
【作者】黄英芬
【作者单位】铜仁学院数学与计算机科学系
【正文语种】中文
【相关文献】
1.手足口病传播的数学模型研究 [J], 王梦圆;马文文;孙牧;陆佳玲;郭龙娇;叶德文;屠小明
2.不同数学模型对手足口病发病的预测效果分析与比较 [J], 曹飞;况荣华;李辉;刘明斌;戚京城;熊昌辉;陈宝;李譞超;黄鹏
3.气象因素与数学模型相结合在庐江县手足口病特征分析及预测中的应用 [J], 张慧玲;洪光烈;张丹;琚娟娟
4.气象因素与数学模型相结合在庐江县手足口病特征分析及预测中的应用 [J], 张慧玲; 洪光烈; 张丹; 琚娟娟
5.基于微分方程的手足口病传播数学模型建立与数值模拟 [J], 高秀娟
因版权原因,仅展示原文概要,查看原文内容请购买。
基于贝叶斯统计模型的疾病风险预测研究概述现代医疗技术不断发展,给人们的生活健康带来了极大的变化和进步。
在预防和治疗疾病的过程中,疾病风险预测是一项至关重要的工作。
疾病风险预测可以帮助医生及患者做出更好的决策,从而更好地管理自己的健康状态。
本文将探讨一种基于贝叶斯统计模型的疾病风险预测方法。
什么是贝叶斯统计模型?贝叶斯统计模型是一种从数据中学习概率分布的方法。
它的核心思想是利用贝叶斯定理,通过已知的数据和先验概率推断出未知的参数或变量的概率分布。
贝叶斯统计模型在疾病风险预测中具有很大的优势。
基于贝叶斯统计模型的疾病风险预测方法基于贝叶斯统计模型的疾病风险预测方法分为两个阶段:训练阶段和预测阶段。
在训练阶段,首先需要根据已有的临床数据以及患者的个人信息,建立相应的概率模型。
这个概率模型可以通过前人的研究和医生的经验来制定。
例如,对于心血管疾病的风险预测,可以考虑年龄、性别、身高、体重、血压、血脂等多种因素。
建立完概率模型后,将现有数据放入模型中进行训练,得到相应的参数。
在预测阶段,对于新的患者,可以根据训练阶段得到的模型和参数来预测其发生疾病的概率。
具体做法是,将新的患者的个人信息代入训练阶段得到的模型中,得到相应的概率分布。
根据这个概率分布,可以判断患者是否处于高风险区间,并做出相应的预防措施。
贝叶斯统计模型的优势相比于传统的风险评估方法,基于贝叶斯统计模型的疾病风险预测方法具有以下几个优势:1. 可以应用于小样本数据传统的风险评估方法通常需要大量的数据才能达到较高的准确性。
而基于贝叶斯统计模型的疾病风险预测方法可以应用于小样本数据,因为它通过先验概率和后验概率的结合,充分利用已有数据和医生经验的信息。
2. 可以对疾病风险进行精细化预测基于贝叶斯统计模型的疾病风险预测方法可以在较小的误差范围内对患者的风险进行精细化预测。
因为它不仅考虑了患者的个人信息,还利用了已知数据的先验概率分布,从而得到了更加可靠的风险预测结果。
基于气象因素的手足口病系统状态聚类方法研究李高明;周亮;陈虹汝;易大莉;张彦琦;伍亚舟;易东;刘岭【期刊名称】《中国卫生统计》【年(卷),期】2017(034)006【摘要】目的利用系统状态评估(state representation methodology,SRM)方法,描述手足口病的流行情况,探索一种新的疾病状态聚类新方法.方法收集2010-2014年全国各省市手足口病月发病率资料及相应的气象资料,将发病率和气象因素视为一个系统,构建SRM模型并求解各省市的状态分布值,然后使用层次聚类方法对不同省市区域系统进行聚类分析.结果实现了对手足口病的状态评估,以手足口病发病率及相应的气象资料建立SRM模型所得到的聚类分析结果,比直接使用发病率数据得到的结果更为合理.结论本文从系统的角度提出了一种疾病描述的新方法,将SRM用于手足口病数据,可以为其分析提供一个新的思路.【总页数】4页(P866-868,872)【作者】李高明;周亮;陈虹汝;易大莉;张彦琦;伍亚舟;易东;刘岭【作者单位】第三军医大学卫生统计学教研室 400038;第三军医大学卫生统计学教研室 400038;第三军医大学卫生统计学教研室 400038;第三军医大学卫生统计学教研室 400038;第三军医大学卫生统计学教研室 400038;第三军医大学卫生统计学教研室 400038;第三军医大学卫生统计学教研室 400038;第三军医大学卫生统计学教研室 400038【正文语种】中文【相关文献】1.基于PCA-C均值聚类输油泵故障状态识别方法研究 [J], 孙晓宇2.基于模糊聚类与神经网络的柴油机技术状态评价方法研究 [J], 刘建敏;刘艳斌;乔新勇;安钢3.基于K均值聚类算法的交通状态判别方法研究 [J], 林璐;陈健;曲大义;黑凯先;韩乐潍;邴其春4.气象因素影响下中国手足口病时空特征及聚类分析 [J], 谢玲;王宏卫;刘素红;高一薄;伊素燕;马晨5.基于5G通信的公用变压器状态信息聚类方法研究 [J], 廖绍成因版权原因,仅展示原文概要,查看原文内容请购买。
基于统计学方法的手足口病传播研究【摘要】本文利用统计方法研究大庆市2008年至2010年3年以来的手足口病疫情特点,以解释手足口病的流行特征,为制定手足口病防治策略提供科学依据。
采用自回归分析的统计方法,利用spss进行模型判断再利用Matlab进行数据处理得到预测关系模型。
根据此关系模型对大庆市2010年发病人数进行预测,并与真实发病人数进行对比,从而验证该关系模型是否可行。
【关键词】手足口病;自回归模型;预测;控制1.课题研究的背景和意义手足口病(Hand foot and mouth disease HFMD)是一种儿童传染病,又名发疹性水疱性口腔炎。
多发生于5岁以下儿童,可引起手、足、口腔等部位的疱疹,少数患儿可引起心肌炎、肺水肿、无菌性脑膜脑炎等并发症。
个别重症患儿如果病情发展快,导致死亡。
[1]由于手足口病传染性强、传播途径复杂、流行强度大、传播速度快,且迄今没有治疗本病的特效药物。
对手足口病流行趋势进行预测,以便采取控制措施,是疾病预防与控制中一项重要工作。
该传染病在不同地区的流行趋势也不尽相同,选择适合的预测模型是重要前提。
2.自回归模型[2] [6]2.1自回归模型的定义在时间序列的情况下,严格意义上的回归则是根据该变量自身过去的规律来建立预测模型,这就是自回归模型。
自回归模型在动态数据处理中有着广泛的应用。
上式称为一阶自回归模型。
当式中满足时,为平稳的一阶自回归模型。
将这些概念推广到高阶,有自回归模型,式中为模型变量,为模型的回归系数,为模型的随机误差,为模型阶数。
2.2自回归模型参数的最小二乘估计设有按时间顺序排列的样本观测值,阶自回归模型的误差方程为,,…….记,,,,得,的最小二乘解为.2.3自回归模型阶数的确定建立自回归模型,需要合理地确定其阶数,一般可先设定模型阶数在某个范围内,对此范围内各种阶数的模型进行参数估计,同时对参数的显著性进行检验,再利用定阶准则确定阶数,下面采用线性假设法来进行模型定阶。
1.1 层次贝叶斯模型经典的推断分析模型、空间回归模型、空间面板模型有一个共同的特点:这些模型的求解完全依赖所采集的样本信息。
然而,在业务实践中,在收集样本之前,研究者往往会对研究对象的变化或分布规律有一定的认识。
这些认识或是来自长期积累的经验,也可能来自合理的假设。
由于这些认识没有经过样本的检验,所以我们可以称之为先验知识。
比如我们要研究某地某疾病月发病人数的概率分布。
即使没有进行统计调查,我们根据一些定理和合理假设,也可以知道发病数服从泊松分布。
甚至根据医院日常接诊的经验,可以推算出发病人数大概在哪个区间。
这种情况下,对于发病人数分布形态和大致区间的认识,属于先验知识。
先验知识对我们探索研究对象的变化规律会有很大的帮助。
而经典的推断分析模型、空间回归模型、空间面板模型都没有利用先验知识,导致了信息利用的不充分。
而本节所要谈到的层次贝叶斯模型,会结合先验知识和样本信息,对数据进行推断分析。
由于层次贝叶斯模型能有效利用先验知识和样本信息,因此可以提高推断的准确度或降低抽样的成本。
(1)贝叶斯统计原理简介在介绍层次贝叶斯模型之前,有必要首先简单阐述一下贝叶斯统计的基本原理。
贝叶斯统计的基础是贝叶斯定理:(|)()(|)()P B A P A P A B P B = (1)其中: ()P A 是事件A 的先验概率(例如,某专家通过经验或之前的研究得出乙肝发病率为10%,这就是一个先验概率),()P B 是事件B 发生的概率,且()0P B ≠,(|)P A B 是给出事件B 后事件A 的后验概率。
(|)/()P B A P B 是事件A 发生对事件B 的支持程度,即似然函数。
对(|)/()P B A P B 可以有如下的理解:设(|)/()P B A P B n =,则在事件A 发生的条件下,事件B 发生的概率是不知A 是否发生的条件下的n 倍。
使用贝叶斯方法的一个重要目的,就在于得出随机变量的概率分布及各因素对分布的影响。
贝叶斯统计方法在环境监测中的应用贝叶斯统计方法是一种基于贝叶斯定理的统计推断方法,其在环境监测中具有广泛的应用。
本文将介绍贝叶斯统计方法的基本原理,并探讨其在环境监测中的几个主要应用领域。
一、贝叶斯统计方法的基本原理贝叶斯统计方法以贝叶斯定理为基础,将先验概率和样本观测值结合起来,通过后验概率的更新,实现对未知参数的推断和预测。
其基本原理可以用下式表示:P(θ|X) = (P(X|θ) * P(θ)) / P(X)其中,P(θ|X)表示在给定观测值X的条件下,未知参数θ的后验概率;P(X|θ)表示在给定参数θ的条件下,观测值为X的概率;P(θ)表示参数θ的先验概率;P(X)表示观测值X的边缘概率。
贝叶斯统计方法的特点是能够将先验知识和观测数据结合起来,对未知参数进行推断和预测,同时还能够进行不断的更新,使得推断结果更加准确。
二、1. 污染源辨识与溯源贝叶斯统计方法可以通过建立适当的污染传输模型,结合观测数据和先验知识,对污染源进行辨识与溯源。
通过对污染物的浓度分布进行统计分析,可以确定污染源的位置和强度,并为进一步的污染控制提供依据。
2. 气候变化预测贝叶斯统计方法可以用于气候变化的预测与模拟。
通过建立气候模型和观测数据的融合,可以提高气候变化预测的准确性。
贝叶斯统计方法能够将模型输出与观测数据进行比较,并对模型参数进行优化,从而提高模型的可靠性和预测能力。
3. 灾害风险评估贝叶斯统计方法可以用于灾害风险的评估与管理。
通过建立适当的风险模型,结合观测数据和先验知识,可以对灾害风险进行全面评估。
贝叶斯统计方法能够将不确定性因素考虑在内,并通过更新参数和概率分布,对风险进行准确的量化和预测。
4. 环境监测数据分析贝叶斯统计方法可以用于环境监测数据的分析与解释。
通过结合先验知识和观测数据,可以对环境监测数据进行质量控制和异常检测。
贝叶斯统计方法能够评估监测误差的来源,并进行数据插值和修正,提高监测结果的可靠性和可解释性。
贝叶斯统计方法在环境科学中的应用随着环境问题的日益突出,环境科学领域对于数据分析和模型应用的需求也日益增加。
贝叶斯统计方法作为一种强大的推断和预测工具,在环境科学中发挥着重要的作用。
本文将探讨贝叶斯统计方法在环境科学中的应用,并分析其优势和挑战。
一、贝叶斯统计方法简介贝叶斯统计方法是基于贝叶斯定理的一种统计学方法。
其核心思想在于将主观先验信息和样本观测数据结合,通过贝叶斯定理得到后验分布,从而进行统计推断和参数估计。
相比于传统的频率派统计方法,贝叶斯统计方法引入了先验信息,在数据不充分的情况下能够更好地进行推断。
二、贝叶斯统计方法在环境监测中的应用1. 空气质量监测贝叶斯统计方法能够将传感器数据和先验知识结合起来,实现对空气质量的准确估计。
例如,在城市中布设若干个传感器监测空气质量,传统的方法通常只利用传感器数据进行估计,而贝叶斯统计方法可以结合先验信息(如交通状况、气象条件等)对空气质量进行更准确的估计。
2. 水资源管理贝叶斯统计方法在水资源管理中起到关键作用。
水资源的量化和分布通常受到多个因素的影响,如降雨情况、土壤类型等。
贝叶斯统计方法可以将观测数据和先验信息相结合,生成准确的水资源预测模型。
这有助于决策者更好地规划和管理水资源。
3. 生物多样性保护生物多样性是环境科学中一个重要的议题。
贝叶斯统计方法可以通过对物种分布和生境数据进行建模,推断生物多样性的分布和变化。
这有助于保护区域的规划和管控,并为生物多样性的保护提供科学依据。
三、贝叶斯统计方法的优势与挑战1. 优势(1)引入先验信息:贝叶斯方法能够将先验信息与观测数据相结合,提高数据分析的准确性和鲁棒性。
(2)灵活性和可解释性:贝叶斯方法可以通过调整先验分布和模型参数,灵活地处理不同的科学问题;同时,贝叶斯方法的结果也更易于解释和理解。
2. 挑战(1)计算复杂性:贝叶斯方法在计算上相对复杂,特别是在模型较复杂或数据量较大时,需要消耗大量的计算资源。
基于贝叶斯时空统计方法探讨环境因素对全国手足口病的影响效应首都医科大学王超、刘青青、曹凯摘要手足口病(Hand-foot-mouth disease, HFMD)是肠道病毒引起的常见传染病之一,可引起发热和手足、口腔等部位的皮疹、溃疡,少数患者可并发脑炎、呼吸道感染和心肌炎等,个别重症患儿病情进展快,易发生死亡。
HFMD的发生与流行是病原体、环境及宿主之间相互作用的结果,其影响因素较多,并且在时空传播上具有多尺度效应。
虽然我国已于2008年将HFMD纳入法定传染病,建立起较完备的流行病学监测网,积累了大量的手足口病疫情方面的信息数据,但大多数资料是孤立、分散的,技术上也难以实现集成分析与联合处理,极大地限制了其在指导制定预防措施方面发挥的作用。
充分发挥HFMD疫情信息数据在指导和制定预防措施方面的作用,首先必须深刻了解HFMD发病的季节特点和地区差异,剖析影响其时空特征和生态学因素,在调整混杂因素后才能较为准确地描述其发病特征,为制定预防控制措施提供依据。
本文使用全国340的地区2008-2010年手足口病报告病例数据和全国304个气象监测站各月份气象监测指标,在贝叶斯统计思想下采用空间异质模型和空间相关模型为基础建立6个具体模型,以模型的DIC值最小为标准找出最优模型,分析平均气温、平均气压、日照时数、平均相对湿度、平均降雨量、平均日降雨量≥0.1mm的日数、平均风速等气象因素对手足口病患病的影响,以期从时空演化特征和生态影响因素方面动态分析手足口病的流行特征。
分析结果显示,时空交互的CH+UH模型拟合效果最优(DIC=35507.2),HFMD的发生与时间和空间的交互作用有关,同时受到降雨量、平均气压、平均温度、平均相对湿度和日照时数等气象环境因素的影响。
正文1. 研究背景1.1手足口病时空研究现况手足口病(Hand-foot-mouth disease, HFMD)是肠道病毒引起的常见传染病之一,其临床症状有发热和手足、口腔等部位的皮疹、溃疡,也有并发脱甲的报道[1],少数患者可并发无菌性脑膜炎、脑炎、急性弛缓性麻痹、呼吸道感染和心肌炎等[2],个别重症患儿病情进展快,易发生死亡[3]。
手足口病的发生与流行是病原体、环境及宿主之间相互作用的结果,其影响因素较多并且在时空传播上具有多尺度效应[4]。
我国卫生部于2008年5月2日将手足口病纳入法定丙类传染病,但属乙类管理,需要报卡登记。
虽然目前已建立起较完备的流行病学监测网,积累了大量的手足口病疫情方面的信息数据,但大多数资料是孤立、分散的,技术上也难以实现集成分析与联合处理,极大地限制了其在指导制定预防措施方面的作用。
因此,研究手足口病的不同时空下的患病危险度并探讨影响手足口病的环境因子,对于制订手足口病的防控措施有着十分重要的意义。
对手足口病空间流行特性的研究大多只限于空间分布的描述。
随着空间分析软件和3S(GPS, GIS和RS)技术的发展[5],动态分析传染病的时间与空间分布特征,从全新的角度来研究和认识传染病成为可能。
国内学者对手足口病空间聚集性、发病率随时间变化[6, 7]进行了大量研究,对手足口病传播类型及发病危险因素[8]也进行了一定的探索。
张文增等[9]采用Flexible空间扫描统计量对2009年1月至2010年12月北京市顺义区手足口病发病进行空间聚集性分析,发现在手足口病聚集性的时间段内其空间聚集区域存在明显差异。
Wang等[10]用贝叶斯最大熵(BME)方法和自组织映射(SOM)算法探讨了手足口病时空传播与气象因素的关系,发现HFMD病例聚集与相应地区月降雨类型相关。
Deng等[11]用Kulldorff 扫描统计方法研究了广东省手足口病的时空聚集性和危险因素,发现月平均气温、相对湿度和日照时数是手足口病的危险因素。
Liu等[12]用全局自相关统计量Moran's I指数分析了山东省2007-2011年手足口发病的时空聚集性,共发现了7个时空聚集区域。
Huang[13]和Hu[14]等用地理加权回归分别分析了广州市2008-2011年和全国2912县2008年5月的手足口发病与气象因素的关系,均发现手足口病的发生与气象因素相关,Huang还利用时间序列的方法发现手足口病的发生与前一周的气温和相对湿度具有重要联系。
上述研究发现手足口发病具有一定的空间聚集性,其发病率水平和发病率下降坡度随时间变化,而且气象因素等是手足口发病的危险因素,但其研究内容大多仅单纯描述了手足口病的时间和空间分布,分析了气象环境因素与手足口病的相关性,缺乏对疾病发病的时空交互作用的更深层次的探讨。
本研究旨在把贝叶斯统计方法应用到手足口病流行病学分析中,以期分析时空交互作用对手足口病时空演化特征的影响,动态分析气象环境因素对全国手足口病的影响。
1.2贝叶斯统计理论与贝叶斯时空模型贝叶斯统计是基于总体信息、样本信息和先验信息(即在抽样之前有关统计问题的一些信息,主要来源于经验和历史资料)进行统计推断的统计学理论。
贝叶斯法则指当分析样本大到接近总体数时,样本中事件发生的概率将接近于总体中事件发生的概率。
贝叶斯统计认为:(1)未知参数是随机变量而不是常数。
人们在获得未知参数前,对它的取值具有事先的主观认识或分析,这种认识可用概率分布表示,称为先验分布。
这是贝叶斯学派最基本的观点[15]。
(2)进行统计推断时,除了依据总体信息和样本信息外还利用先验信息,用概率论中求条件概率分布的方法,可以得出后验概率。
贝叶斯公式为:其中L(A|B)是在B发生的情况下A发生的可能性。
P (A)是A的先验概率,之所以称为“先验”是因为它不考虑任何B方面的因素。
P(A|B)是已知B发生后A的条件概率,也由于得自B的取值而被称作A的后验概率。
P(B|A)是已知A发生后B的条件概率,也由于得自A的取值而被称作B的后验概率。
P(B)是B的先验概率。
后验分布是用抽样信息对先验分布作调整的结果,通过求解后验分布的特征如后验均数、中位数、方差和百分位数等即可对未知参数做出推断,这是贝叶斯学派进行统计推断的基础[16]。
由于对后验分布的复杂的计算的问题,贝叶斯统计并没有像经典频率统计那样得到广泛认可与应用。
近年来随着MCMC(Monte Carlo Markov Chain)的发展以及贝叶斯统计软件WinBUGS等的推广,贝叶斯统计开始在各个方面运用发展起来。
贝叶斯时空模型是在贝叶斯统计思想(即结合样本信息与先验分布对后验分布参数做出估计)的框架下,为分析时空数据中蕴含的时间和空间信息而建立起来的数学模型[17]。
与传统的空间流行病研究方法相比,将时间与空间结合起来分析,在具有空间相关关系的疾病的研究中能更加准确的反映疾病发生流行的状态[18]。
Lawson [19]提出了贝叶斯时空SIR 模型分析美国Carolina 南部各个城镇2004-2005年流感流行季节周统计的流感疫情证实了把贝叶斯统计方法融入传染病时空传播模型分析中,更有助于深入了解传染病在人群中的时空传播机制和规律,改变和发现对传染病发生、发展及消亡有影响的各种因素,科学制定和调整防控策略。
贝叶斯时空模型认为模型中的所有未知参数为随机变量,需要利用先验分布进行描述,发病或死亡危险度在空间和时间上的变异用随机效应来表示。
1.3生态学分析方法近年来,对于手足口病患病危险因素的研究有基于个体水平的危险因素(如个人卫生习惯、临床症状特征等)研究和基于群体水平的危险因素(人口密度、气象环境因素等)研究。
与基于个体水平的研究相比,生态学分析技术(Ecological Analysis )能够从整体水平上研究相关因素与疾病发生的关系,避免了由于个体之间不同的因素带来的偏倚。
生态学分析用于疾病结局变量中具有地理信息并且疾病发生与协变量或预测因素有关的数据分析[20]。
这些协变量可以在空间聚集的不同水平上获得。
比如我们希望研究疾病的发生是否与月平均温度有关,我们既要得到每个区域的疾病发生数i y ,也要得到该地区月平均温度。
其基本模型为:()~i i y f μ,其中,()()()1,i i i i E y g S x μμ==,()i g μ是连接函数,()1i S x 是协变量的线性或非线性函数。
最简单的模型为:{}011~(),exp i i i i i i i y Pois e e x μμθαα==+,其中,{}0exp α是全局缩放参数,{}11exp i x α是协变量的调整。
统计推断最关心的是θ,0α和1α。
综上我们推断,使用贝叶斯时空模型(尤其是加入时空交互效应后的模型)与生态学分析能够更准确地探讨气象环境因素在群体水平上对手足口病发病的影响。
2.数据描述2.1 手足口病数据信息本研究所用的手足口病信息来自从中国疾病预防与控制中心传染病网络直报系统中提取的2008-2010年手足口病疫情数据病例信息,包含全国各地区从2008年1月到2010年12月登记的所有手足口病数据(包括各地区发病人数、发病率等)。
经过整理、排除建设兵团等发病地区未知的发病数据后最终纳入340个地区的3396797例手足口病报告数据作为研究对象。
2.2 全国各地区数字区划图全国各地区数字区划地图来自于北京超图软件有限公司,比例为1:25000000,格式为ArcGis平台.shp文件,地图文件中把全国分为347个地区。
在进行空间分析时,因为地图中的香港、澳门、台湾、东沙群岛、伊犁地区、石河子市没有相应的发病数据,因此在制图分析时,未将这些地区纳入;重庆市的发病数据有重庆市辖区和重庆郊区县两部分,而地图中还有重庆郊区市,为了使两者保持一致,在制图分析时将重庆郊区县和重庆郊区市合并为重庆郊区县进行分析。
2.3 环境数据气象环境数据来自中国气象科学数据共享服务网(China Meteorological Data Sharing Service System),数据包括全国674个气象监测站各月份气象监测指标。
本次研究选用的气象资料筛选过程如下:以各监测站经纬度标注到数字区划地图中,把与各地区区域中心的距离最近的气象站的监测数据作为相应地区的气象数据,整理后共有304个气象监测点数据纳入研究。
由于月份气象监测指标过多,在参考了大量文献后,同时为了保证模型拟合效果,所以决定分析的变量有降水量(mm)、平均监测站气压(hPa)、平均风速(m/s)、平均气温(℃)、平均相对湿度(%)、日降水量>=0.1mm天数(天)和日照时数(小时)7个气象环境指标。
北京市市辖区2008-2010年各月份手足口病报告病例数与气象环境因素(平均气压除外)变化曲线如图1所示。
图1 北京市市辖区手足口病报告病例数与气象环境因素的时间变化曲线在初始分析中,时间按月共分为36组进行分析,但由于数据量太大,模型难以收敛,最终依据数据特点将相邻三个月进行合并,将36个月份划分成12组,重新整理发病与气象环境资料得到研究所用数据库。