論文の概要: Bayesian Semi-Parametric Spatial Dispersed Count Model for Precipitation Analysis
- arxiv url: http://arxiv.org/abs/2503.19117v1
- Date: Mon, 24 Mar 2025 20:13:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:54:42.229169
- Title: Bayesian Semi-Parametric Spatial Dispersed Count Model for Precipitation Analysis
- Title（参考訳）: 降水解析のためのベイズ半パラメトリック空間分散数モデル
- Authors: Mahsa Nadifar, Andriette Bekker, Mohammad Arashi, Abel Ramoelo,
- Abstract要約: 非パラメトリック手法と、更新理論に基づく分散カウントモデルを組み合わせる方法である。
アイオワ州の肺がんと気管支がんの死亡データに適用し、環境と人口統計の要因を強調している。
この応用は、公衆衛生研究における方法論の重要性を強調するものである。
- 参考スコア（独自算出の注目度）: 0.5399800035598186
- License:
- Abstract: The appropriateness of the Poisson model is frequently challenged when examining spatial count data marked by unbalanced distributions, over-dispersion, or under-dispersion. Moreover, traditional parametric models may inadequately capture the relationships among variables when covariates display ambiguous functional forms or when spatial patterns are intricate and indeterminate. To tackle these issues, we propose an innovative Bayesian hierarchical modeling system. This method combines non-parametric techniques with an adapted dispersed count model based on renewal theory, facilitating the effective management of unequal dispersion, non-linear correlations, and complex geographic dependencies in count data. We illustrate the efficacy of our strategy by applying it to lung and bronchus cancer mortality data from Iowa, emphasizing environmental and demographic factors like ozone concentrations, PM2.5, green space, and asthma prevalence. Our analysis demonstrates considerable regional heterogeneity and non-linear relationships, providing important insights into the impact of environmental and health-related factors on cancer death rates. This application highlights the significance of our methodology in public health research, where precise modeling and forecasting are essential for guiding policy and intervention efforts. Additionally, we performed a simulation study to assess the resilience and accuracy of the suggested method, validating its superiority in managing dispersion and capturing intricate spatial patterns relative to conventional methods. The suggested framework presents a flexible and robust instrument for geographical count analysis, offering innovative insights for academics and practitioners in disciplines such as epidemiology, environmental science, and spatial statistics.
- Abstract（参考訳）: ポアソンモデルの有効性は、不均衡分布、過分散、過分散を特徴とする空間的カウントデータを調べる際にしばしば疑問視される。
さらに、従来のパラメトリックモデルは、両変数があいまいな機能形式を示す場合や、空間パターンが複雑で不確定な場合、変数間の関係を不適切に捉えることができる。
これらの問題に対処するために、革新的ベイズ階層モデリングシステムを提案する。
この方法は、非パラメトリック手法と、更新理論に基づく分散カウントモデルを組み合わせることで、不等分散、非線形相関、およびカウントデータにおける複雑な地理的依存の効果的管理を容易にする。
アイオワ州の肺・気管支がん死亡データに適用し, オゾン濃度, PM2.5, 緑地, 喘息の有病率などの環境・人口的要因を強調した。
本分析は, 環境および健康関連因子ががん死亡率に与える影響について重要な知見を提供する。
この応用は、政策や介入の取り組みを導く上で、精密なモデリングと予測が不可欠である公衆衛生研究における我々の方法論の重要性を強調するものである。
さらに,提案手法のレジリエンスと精度を評価するためのシミュレーション研究を行い,従来の手法と比較して,分散の管理や複雑な空間パターンの取得において,その優位性を検証した。
提案するフレームワークは、地理的カウント分析のための柔軟で堅牢な手段であり、疫学、環境科学、空間統計学などの分野における研究者や実践者に革新的な洞察を提供する。
関連論文リスト
- Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models [8.798959872821962]
本稿では,フェデレーションサバイバル分析の分野,特にCox Proportional Hazards(CoxPH)モデルについて概説する。
本稿では,合成データセットと実世界のアプリケーション間のモデル精度を向上させるために,特徴ベースのクラスタリングを用いたFLアプローチを提案する。
論文 参考訳（メタデータ） (2024-07-20T18:34:20Z) - Quantifying Distribution Shifts and Uncertainties for Enhanced Model Robustness in Machine Learning Applications [0.0]
本研究では,合成データを用いたモデル適応と一般化について検討する。
我々は、データ類似性を評価するために、Kullback-Leiblerの発散、Jensen-Shannon距離、Mahalanobis距離などの量的尺度を用いる。
本研究は,マハラノビス距離などの統計指標を用いて,モデル予測が低誤差の「補間体制」内にあるか,あるいは高誤差の「補間体制」が分布変化とモデル不確実性を評価するための補完的手法を提供することを示唆している。
論文 参考訳（メタデータ） (2024-05-03T10:05:31Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Deep Variational Lesion-Deficit Mapping [0.3914676152740142]
本稿では,病変欠損モデル比較のための包括的枠組みを提案する。
また,本モデルでは,すべてのシミュレーションシナリオにおいて,確立された手法よりもかなり優れていることを示す。
我々の分析は、このアプローチの広く採用されていることを正当化する。
論文 参考訳（メタデータ） (2023-05-27T13:49:35Z) - Causal Inference via Nonlinear Variable Decorrelation for Healthcare
Applications [60.26261850082012]
線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。
我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
論文 参考訳（メタデータ） (2022-09-29T17:44:14Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Spatial machine-learning model diagnostics: a model-agnostic
distance-based approach [91.62936410696409]
本研究は,空間予測誤差プロファイル (SPEP) と空間変数重要度プロファイル (SVIP) を,新しいモデルに依存しない評価・解釈ツールとして提案する。
統計学的手法、線形モデル、ランダムフォレスト、ハイブリッドアルゴリズムのSPEPとSVIPは、顕著な差異と関連する類似性を示している。
この新しい診断ツールは空間データ科学のツールキットを充実させ、MLモデルの解釈、選択、設計を改善する可能性がある。
論文 参考訳（メタデータ） (2021-11-13T01:50:36Z) - Spatially and Robustly Hybrid Mixture Regression Model for Inference of
Spatial Dependence [15.988679065054498]
本研究では,空間領域上での応答変数と説明変数の集合との関係を検討するために,空間ロバスト混合回帰モデルを提案する。
本手法は, 空間的非定常性, 局所的均一性, 外れ値の同時処理を行うために, 空間的制約を伴う頑健な有限混合ガウス回帰モデルを統合する。
多くの合成および実世界のデータセットに対する実験結果から,提案手法のロバスト性,精度,有効性が確認された。
論文 参考訳（メタデータ） (2021-09-01T16:29:46Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。