间隔检测

BaySTDetect:通过贝叶斯模型选择来检测小区域数据中异常的时间模式。小区域数据的时空建模通常用于流行病学,用于绘制慢性病发病率的地图,以及政府统计机构用于产生失业率或犯罪率等当地估计值。虽然通常存在一个一般的时间趋势,对所有领域都有类似的影响,但在特定领域可能会发生突然变化,例如,由于出现局部预测因素/风险因素或新政策的影响。因此,探测具有“不寻常”时间模式的区域作为进一步调查的筛选工具非常重要。本文提出了一种基于贝叶斯模型选择的小区域数据短时间序列检测方法baystdectect。第一个模型是区域效应和时间效应的乘法分解,假设整个研究区域都有一个共同的时间模式。第二个模型独立地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,然后利用后验概率将局部时间趋势划分为异常与否。对于任何检测方法,我们提供了一个错误发现率(FDR)的贝叶斯估计。综合仿真研究表明,BaySTDetect除了能够很好地估计FDR外,在检测各种真实的离场模式方面具有一致的良好性能。该方法回顾性地应用于1990年至1997年间英格兰和威尔士的慢性阻塞性肺疾病(COPD)的死亡率数据(a)检验一个假设,即政府的政策增加了COPD的诊断,(b)进行监测。虽然结果显示没有证据支持关于该政策的假设,但后来国家卫生服务局发现一个不寻常的地区(伦敦市中心的Tower Hamlets)因慢性阻塞性肺病再次入院率和死亡率高于全国,为解决这一问题,启动了各种地方强化服务。我们的方法可以让我们及早发现当地的健康问题。