مدل بندی توام وابستگی فضایی، تورم در صفر و کم/بیش پراکنشی پاسخ های شمارشی

وجود دو چالش معمول پراکنش نامتعادل پاسخ های شمارشی و صفرهای مازاد در مشاهدات، استفاده از مدلرگرسیون پواسون را محدود می کند. برای لحاظ کردن توام این دو ویژگی داده ها در کنار وابستگی فضایی، در این مقاله،یک مدل فضایی مشبکه ای بیزی جدید معرفی می شود که از ترکیب دو رهیافت مدل بندی تورم در صفر و مدل بندیپراکنشپاسخ های شمارشی فضایی، مبتنی بر توزیع شمارشی گاما، ساخته می شود. برای برازشمدل و استنباط، روشبیزی تقریب لاپلاس آشیانی جمع بسته به کار گرفته می شود. کاربست مدل نیز در تحلیل داده های سرطان مغز در کشوراسپانیا و پهنه بندی آن نمایش داده می شود.

modeling spatial structure, zero-inflation and over/under-dispersion forcount responses

the presence of over/under-dispersion and excessive zeros in count responsesrestrict the use of the poisson regression model. to address these challenges, consideringthe spatial dependence structure of counts, in this paper, a new bayesian spatial zeroinflatedmodel is introduced by mixing the zero-inflated modeling approach and a spatialgamma-count model for modeling dispersion. the integrated nested laplace approximationmethod is employed to fit and implement statistical inference in the proposed bayesianmodel. the proposed methodology analyzes a clinical dataset related to brain cancer incidencein navarra, spain.