[论文解读] Estimating the Stillbirth Rate for 195 Countries Using A Bayesian Sparse Regression Model with Temporal Smoothing

Zhengfan Wang, Miranda J. Fix+6 more|arXiv (Cornell University)|Oct 7, 2020

Global Maternal and Child Health被引用 4

一句话总结

本研究开发了一种具有时间平滑功能的贝叶斯分层稀疏回归模型，用于估算2000年至2019年间195个国家的死胎率，通过整合协变量和时间趋势，在数据匮乏的环境下提升估算准确性。该模型采用霍尔舒（horseshoe）先验以实现稀疏性，校正非抽样误差，并已被联合国儿童死亡率估计机构间工作组采纳用于全球监测。

ABSTRACT

Estimation of stillbirth rates globally is complicated because of the paucity of reliable data from countries where most stillbirths occur. We compiled data and developed a Bayesian hierarchical temporal sparse regression model for estimating stillbirth rates for all countries from 2000 to 2019. The model combines covariates with a temporal smoothing process so that estimates are data-driven in country-periods with high-quality data and deter-mined by covariates for country-periods with limited or no data. Horseshoepriors are used to encourage sparseness. The model adjusts observations with alternative stillbirth definitions and accounts for bias in observations that are subject to non-sampling errors. In-sample goodness of fit and out-of-sample validation results suggest that the model is reasonably well calibrated. The model is used by the UN Inter-agency Group for Child Mortality Estimation to monitor the stillbirth rate for all countries.

研究动机与目标

• 解决在数据有限或不可靠的国家，特别是死胎负担较高的国家中估算死胎率的挑战。
• 开发一种稳健的统计模型，结合协变量和时间趋势，以提升数据贫乏环境下的估算准确性。
• 校正由于非抽样误差以及各国死胎定义差异导致的死胎数据偏差。
• 为全球健康监测提供一种可扩展、数据驱动的估算框架，尤其适用于联合国儿童死亡率估计机构间工作组。
• 通过样本内拟合和样本外验证程序确保模型的校准性和可靠性。

提出的方法

• 采用贝叶斯分层模型，整合国家特异性随机效应与时间平滑，以在时间和国家间借用信息。
• 应用霍尔舒（horseshoe）先验以鼓励回归系数的稀疏性，减少噪声并聚焦于最具信息量的协变量。
• 纳入母体教育、卫生支出和卫生系统指标等协变量，以提升数据匮乏的国家-时期预测能力。
• 使用样条或随机游走模型对时间趋势进行建模，确保死胎率随时间变化的轨迹平滑且符合实际。
• 在分层结构中使用校准参数，对观测到的死胎率进行非抽样误差和不同死胎定义的调整。
• 使用马尔可夫链蒙特卡洛（MCMC）方法进行后验推断，实现不确定性量化和稳健估计。

实验结果

研究问题

• RQ1 如何在数据稀疏或不一致的国家中可靠估算死胎率？
• RQ2 与直接报告相比，整合协变量和时间平滑在多大程度上提升了估算准确性？
• RQ3 非抽样误差和死胎定义差异对估算有何影响，如何在统计模型中加以校正？
• RQ4 该模型在多样化国家背景下的校准性和预测有效性表现如何？
• RQ5 一个统一的模型能否在20年期间内为全部195个国家生成可靠且可比的死胎率估算？

主要发现

• 模型表现出良好的样本内拟合和可靠的样本外验证，表明其具有良好的校准性和预测性能。
• 霍尔舒（horseshoe）先验有效减少了噪声，通过将无关协变量收缩至零，提升了模型的可解释性和精确度。
• 该模型成功校正了非抽样误差和死胎定义不一致的问题，提升了异质报告环境下的数据质量。
• 时间平滑生成了合理且稳定的死胎率随时间变化趋势，即使在数据有限或不规则的国家中亦然。
• 该模型的估算结果已被联合国儿童死亡率估计机构间工作组采纳，用于全球死胎率监测。
• 该方法实现了对195个国家死胎率的可靠估算，包括在2000–2019年期间几乎无直接调查数据的国家。