Bayesian Modellierung von geostatistischen Malariarisikodaten

Bayesian geostatistische Modelle, die auf Malariarisikodaten angewendet werden, quantifizieren die Beziehungen zwischen Umwelt und Krankheit, identifizieren signifikante Umweltfaktoren für die Malariatransmission und bieten modellbasierte Vorhersagen des Malariarisikos zusammen mit deren Präzision. Diese Modelle basieren oft auf der Annahme der Stationarität, die impliziert, dass die räumliche Korrelation eine Funktion der Distanz zwischen den Standorten ist und unabhängig vom Standort. Wir lockern diese Annahme und analysieren Malaria-Umfragedaten aus Mali mithilfe eines bayesianischen nicht-stationären Modells. Die Modellanpassung und Vorhersagen basieren auf Markov-Ketten-Monte-Carlo-Simulationsmethoden. Die Modellvalidierung vergleicht die prädiktive Fähigkeit des nicht-stationären Modells mit dem stationären Pendant. Die Ergebnisse zeigen, dass die Annahme der Stationarität wichtig ist, da sie die Signifikanz der Umweltfaktoren und die entsprechenden Malariarisikokarten beeinflusst.