托架ST检测 swMATH ID: 20750 软件作者： Li，G.，Best，N.，Hansell，A.，Ahmed，I.，Richardson，S。 描述： BaySTDetect：通过贝叶斯模型选择检测小区域数据中的异常时间模式。流行病学中经常使用小区域数据的时空建模来绘制慢性病发病率，政府统计机构也经常使用这种建模来生成当地的估计值，例如失业率或犯罪率。虽然通常有一个影响所有领域的一般时间趋势，但在特定领域可能会发生突变，例如由于局部预测因素/风险因素的出现或新政策的影响。因此，检测具有“异常”时间模式的区域作为进一步调查的筛选工具非常重要。在本文中，我们提出了BaySTDetect，这是一种利用贝叶斯模型在两个竞争的时空模型之间进行选择来检测小区域数据的短时间序列的新方法。第一个模型是面积效应和时间效应的乘法分解，假设整个研究区域有一个共同的时间模式。第二个模型独立估计每个区域的时间趋势。对于每个区域，计算属于共同趋势模型的后验概率，然后使用后验概率将局部时间趋势分类为异常或非异常。对于任何检测方法来说，我们都提供了错误发现率（FDR）的贝叶斯估计。一项全面的模拟研究表明，BaySTDetect除了能很好地估计FDR外，还能在检测各种真实的出发模式方面保持良好的性能。将所提出的方法回顾性地应用于1990年至1997年间英格兰和威尔士慢性阻塞性肺病（COPD）的死亡率数据（a），以验证政府政策增加了COPD诊断的假设，以及（b）进行监测。虽然结果显示没有证据支持有关该政策的假设，但一个已确定的不寻常地区（伦敦市中心的Tower Hamlets）后来被国家卫生服务局认定为COPD导致的住院率和死亡率高于全国，它启动了各种本地增强服务来解决这个问题。我们的方法可以早期发现这种局部健康问题。 主页： https://www.ncbi.nlm.nih.gov/提交/2452805 相关软件： MCFDR公司；MMC测试；起源；降雪；贝叶斯DA；R（右）；测试那个；溅出物；国家实验室；矩阵（matrixcalc）；监控；CARBayes公司；spBayes公司；公共后勤管理；lme4公司；R-INLA公司；数字播放器；树干规范；化学需氧量；卡车驾驶员 引用于： 4文件 全部的 前5名11位作者引用 2 甘地，阿克塞尔 2 乔治·哈恩 1 克雷格·安德森 1 梅雷特阿雷盖 1 瑞秋·卡罗尔 1 尼玛·迪安 1 克里斯特尔·费斯 1 罗素·S·柯比。 1 安德鲁·B·劳森。 1 李，邓肯 1 凯文·瓦特茹 4篇连载文章中引用 1 斯堪的纳维亚统计杂志 1 生物医学期刊 1 统计与计算 1 环境计量学 在2个字段中引用 4 统计学（62-XX） 1 数值分析（65-XX） 按年份列出的引文