تحلیل بیزی داده‌های شمارشی فضایی در جوامع متناهی با رهیافت معادلات دیفرانسیل جزئی تصادفی

داده‌های شمارشی زمین‌آماری در جوامع متناهی در کاربردهای مختلفی، مثل مدیریت شهری و پزشکی، دیده می‌شوند. مدل معمول برای تحلیل این نوع پاسخ‌ها، مدل لوجیتدوجمله‌ای فضایی است. در اکثر موقعیت‌های کاربردی، این نوع داده‌ها جدا از تغییرپذیری فضایی دارای بیش‌پراکندگی هستند که مدل دوجمله‌ای توانایی مدل‌بندی آن را ندارد. رهیافت جانشین در این حالت، یک مدل بتادوجمله‌ای است که از انعطاف لازم برای لحاظ کردن بیش‌پراکنشی موجود در داده‌ها برخوردار است. در این مقاله، ابتدا برازش مدل بتادوجمله‌ای فضایی برای داده‌های شمارشی زمین‌آماری با یک رهیافت بیزی ترکیبی مبتنی بر تقریب لاپلاس آشیانی جمع‌بسته و معادلات دیفرانسیل جزیی تصادفی توصیف می‌شود. سپس این مدل، در یک مطالعه موردی، برای تحلیل تعداد تصادف‌های منجر به جرح یا فوت در شهر مشهد به‌کار گرفته می‌شود. همچنین با یک مطالعه شبیه‌سازی، عملکرد مدل پیشنهادی ارزیابی می‌شود.

Bayesian Analysis of Spatial Count Data in Finite Populations Using Stochastic Partial Differential Equations

Geostatistical spatial count data in finite populations can be seen in many applications, such as urban management and medicine. The traditional model for analyzing these data is the spatial logitbinomial model. In the most applied situations, these data have overdispersion alongside the spatial variability. The binomial model is not the appropriate candidate to account for the overdispersion. The proper alternative is a betabinomial model that has sufficient flexibility to account for the extra variability due to the possible overdispersion of counts. In this paper, we describe a Bayesian spatial betabinomial for geostatistical count data by using a combination of the integrated nested Laplace approximation and the stochastic partial differential equations methods. We apply the methodology for analyzing the number of people injured/killed in car crashes in Mashhad, Iran. We further evaluate the performance of the model using a simulation study.