INLA方法在肯尼亚艾滋病时空分布研究中的应用与McMC比较

本篇论文研究关注的是肯尼亚艾滋病病毒感染的时空变化，通过对疾病分布的制图分析，作者探讨了在疾病研究中广泛应用的统计建模方法。疾病制图通常采用广义线性混合模型（GLMM），这种模型包含了固定效应、空间效应、时间效应以及可能的空间-时间随机效应，以便更准确地描绘疾病的时空动态。 在统计推断过程中，研究者采用了两种主要的计算策略：经验贝叶斯（EB）方法，基于惩罚似然（PQL）算法，这种方法在早期被广泛使用；另一种是完全贝叶斯（FB）方法，即马尔可夫链蒙特卡洛（McMC）技术，它通过模拟抽样来估计后验分布，虽然在处理复杂时空模型时表现出色，但其挑战主要在于后验样本的收敛性和计算效率。由于McMC方法的高计算需求，尤其是在大规模数据集上，可能产生较大的蒙特卡洛误差。 近期，一种基于集成嵌套拉普拉斯近似（INLA）的新策略逐渐崭露头角，作为一种潜在的McMC替代方法。INLA的优势在于它能够高效地拟合复杂的时空模型，极大地提高了模型的拟合速度和计算效率，使其在疾病制图领域中变得越来越受欢迎。本文以Leroux CAR作为空间分量，对比了INLA与McMC在肯尼亚2013年至2016年艾滋病发病率数据上的应用效果。 作者通过实证分析，展示了INLA在处理肯尼亚艾滋病时空模型中的优势，特别是在模型收敛性检验和计算效率方面，相比于传统的McMC方法，INLA可能提供更为快速且精确的结果。这为疾病制图研究提供了新的实用工具，特别是对于那些数据密集型和复杂时空结构的研究场景。通过这篇论文，读者可以了解到INLA在疾病制图领域的最新进展和实际应用价值。