[论文解读] Tutorial on kernel estimation of continuous spatial and spatiotemporal relative risk with accompanying instruction in R

Tilman M. Davies, Jonathan C. Marshall+1 more|arXiv (Cornell University)|Jul 19, 2017

Genetic and phenotypic traits in livestock参考文献 43被引用 3

一句话总结

本文提供了一篇关于基于核方法的连续空间和时空相对风险估计的全面教程，整合了先进的非参数方法与R包sparr中的实际实现。该方法使研究人员能够利用自适应带宽、边界校正以及基于渐近和自举法的推断，估计并检验空间和时间上疾病风险的统计显著波动，其应用涵盖原发性胆汁性肝硬化（PBC）和口蹄疫（FMD）的流行病学真实数据集。

ABSTRACT

Kernel smoothing is a highly flexible and popular approach for estimation of probability density and intensity functions of continuous spatial data. In this role it also forms an integral part of estimation of functionals such as the density-ratio or "relative risk" surface. Originally developed with the epidemiological motivation of examining fluctuations in disease risk based on samples of cases and controls collected over a given geographical region, such functions have also been successfully employed across a diverse range of disciplines where a relative comparison of spatial density functions has been of interest. This versatility has demanded ongoing developments and improvements to the relevant methodology, including use spatially adaptive smoothers; tests of significantly elevated risk based on asymptotic theory; extension to the spatiotemporal domain; and novel computational methods for their evaluation. In this tutorial paper we review the current methodology, including the most recent developments in estimation, computation and inference. All techniques are implemented in the new software package sparr, publicly available for the R language, and we illustrate its use with a pair of epidemiological examples.

研究动机与目标

• 为应用研究人员提供一种实用且易于理解的基于核方法的空间和时空相对风险估计教程。
• 解决非参数平滑中的方法论挑战，包括带宽选择、边界校正和空间自适应性。
• 将经典的固定带宽核方法扩展至自适应和时空设置，并改进推断方法。
• 通过新的R包sparr实现并验证先进技术，如联合带宽优化和p值表面计算。
• 通过支持多学科研究，实现对空间和时空点过程数据中统计显著风险热点的检测。

提出的方法

• 采用固定带宽和空间自适应核平滑方法，用于估计空间和时空强度与密度函数。
• 使用核密度比估计法计算相对风险表面，将病例分布与对照（处于风险中）人群进行比较。
• 应用多种带宽选择方法：最小二乘交叉验证（LSCV）、似然交叉验证（LIK）和自举法（BOOT），以实现最优平滑。
• 在空间和时空密度估计中引入边界校正，以减少研究区域边界附近的偏差。
• 实现渐近和蒙特卡洛p值表面，用于检验估计的相对风险图中是否存在统计显著的风险波动。
• 利用sparr R包统一并自动化工作流程，包括对时空风险表面进行切片和可视化结果。

实验结果

研究问题

• RQ1 如何在考虑风险人群空间异质性的情况下，利用核平滑方法估计连续空间相对风险？
• RQ2 在空间自适应核估计相对风险时，最有效的带宽选择策略是什么？
• RQ3 如何以计算高效且统计有效的方式估计和检验时空相对风险的显著性？
• RQ4 在自适应平滑中，对称与非对称核估计器对相对风险估计有何影响？
• RQ5 如何高效计算p值表面，以识别空间和时间上统计显著的风险热点？

主要发现

• sparr R包成功实现了先进的基于核的方法，用于空间和时空相对风险估计，包括自适应平滑和联合带宽选择。
• 空间自适应平滑在观测密度变化区域中显著优于固定带宽方法，提升了风险表面估计的准确性。
• 根据作者经验，基于自举法的带宽选择比留一法更具稳定性，尤其适用于复杂的风险表面。
• 在时空模型中引入边界校正和时变分母，显著提高了真实流行病学数据中风险估计的准确性。
• 渐近和蒙特卡洛p值表面提供了可靠的推断，使研究人员能够在不为每次检验都依赖模拟的情况下，检测统计显著的风险波动。
• 该方法成功识别出PBC病例和FMD暴发的非随机聚集现象，揭示了与已知流行病学动态一致的显著空间和时间风险模式。