空間データのための周辺ゼロ膨張負の二項モデル：ジョージア州におけるCOVID-19による死亡のモデル化

要旨 ゼロが豊富な空間カウントデータは、疾病マッピング研究で一般的に発生します。通常、これらのデータはゼロ膨張モデルを使用して分析されます。これらのモデルは、ゼロでの点質量とポアソンまたは負の二項分布のような通常のカウント分布の混合物で構成されています。しかし、混合物の表現のために、従来のゼロ膨張モデルはパラメーター推定が条件付き潜在クラスの解釈を持つため、実際には説明が困難です。代わりに、いくつかの著者は、余分なゼロと周辺平均を同時にモデル化する周辺ゼロ膨張モデルを提案しており、これにより通常のカウントモデルにより密接に一致するパラメータ化が実現されます。COVID-19死亡率の予測因子を調査する研究に触発され、周辺平均を直接モデル化する空間-時間的周辺ゼロ膨張負の二項モデルを開発し、周辺ゼロ膨張モデルを空間設定に拡張します。データの空間-時間的異質性を捉えるために、領域レベルの共変量、滑らかな時間効果、および空間相関のあるランダム効果を導入して、余分なゼロと周辺平均の両方をモデル化します。推定には、完全条件ガibbsサンプリングとメトロポリス-ヘイスティングスステップを組み合わせたベイジアンアプローチを採用します。モデルの特徴を調査し、2021年度にジョージア州米国におけるCOVID-19死亡の主要な予測因子を特定するためにモデルを使用します。