Bayesian dynamisches generalisiertes additives Modell für die Sterblichkeit während der COVID-19-Pandemie

Während COVID-19 zu einem signifikanten Anstieg der globalen Sterblichkeitsraten geführt hat, bleibt der Einfluss der Pandemie auf die Sterblichkeit durch andere Ursachen ungewiss. Um Einblicke in die breiteren Auswirkungen von COVID-19 auf verschiedene Todesursachen zu gewinnen, analysieren wir einen italienischen Datensatz, der monatliche Sterbezahlen für verschiedene Ursachen von Januar 2015 bis Dezember 2020 umfasst. Unser Ansatz beinhaltet ein generalisiertes additives Modell, das mit korrelierten zufälligen Effekten erweitert ist. Der Bestandteil des generalisierten additiven Modells erfasst effektiv nichtlineare Beziehungen zwischen verschiedenen Kovariaten und Sterblichkeitsraten, während die zufälligen Effekte multivariate Zeitreihenbeobachtungen sind, die an verschiedenen Standorten aufgezeichnet wurden, und sie verkörpern Informationen über die Abhängigkeitsstruktur, die zwischen geografischen Standorten und verschiedenen Ursachen von Sterblichkeit vorhanden ist. Im Rahmen eines Bayesianischen Ansatzes legen wir geeignete Priors auf die Modellparameter fest. Für eine effiziente posteriori Berechnung verwenden wir variationale Inferenz, speziell für feste Effektkoeffizienten und zufällige Effekte, wobei eine gaußsche variationale Approximation angenommen wird, die den Analyseprozess vereinfacht. Die Optimierung erfolgt mithilfe eines Koordinatensteigerungs-Algorithmus für variationale Inferenz, und mehrere computergestützte Strategien werden auf dem Weg implementiert, um die Probleme zu adressieren, die sich aus der hochdimensionalen Natur der Daten ergeben, und ermöglicht eine beschleunigte und stabilisierte Parameterschätzung sowie statistische Inferenz.