تحلیل داده‌های فضایی-زمانی شمارشی با مدل منعطف گامای شمارشی

بسیاری از داده‌های فضاییزمانی، به‌ویژه در پزشکی و تصویرسازی بیماری‌ها، شمارشی هستند. معمولا این نوع داده‌های شمارشی دارای تغییرپذیری مضاعفی هستند که کارایی مدل پواسون را برای تحلیل آن‌ها خدشه‌دار می‌کند. لحاظ کردن این تغییرپذیری در فرآیند مدل‌بندی، نقش مهمی در افزایش کارایی تحلیل داده‌های فضاییزمانی شمارشی دارد. با این هدف، در این مقاله، یک مدل فضاییزمانی بیزی جدید با انعطاف بالا برای مدل‌بندی پراکنش داده‌ها، به نام گامای شمارشی، معرفی شده است. برای برازش و استنباط این مدل، روش تقریب لاپلاس آشیانی جمع‌بسته به کار گرفته شده است. برای ارزیابی عملکرد مدل پیشنهادی در مقایسه با مدل‌های سنتی پواسون و دوجمله‌ای منفی، از یک مطالعه شبیه‌سازی استفاده شده است. افزون بر این، کاربست مدل در تحلیل داده‌های سرطان خون در استان خراسان رضوی، نشان داده شده است.

Analysis of Space-Time Count Data Using the Flexible Gamma-Count Model

Many of spatialtemporal data, particularly in medicine and disease mapping, are counts. Typically, these types of count data have extra variability that distrusts the classical Poisson modelchr('39')s performance. Therefore, incorporating this variability into the modeling process, plays an essential role in improving the efficiency of spatialtemporal data analysis. For this purpose, in this paper, a new Bayesian spatialtemporal model, called gamma count, with enough flexibility in modeling dispersion is introduced. For implementing statistical inference in the proposed model, the integrated nested Laplace approximation method is applied. A simulation study was performed to evaluate the performance of the proposed model compared to the traditional models. In addition, the application of the model has been demonstrated in analyzing leukemia data in Khorasan Razavi province, Iran.