Bayesci Sıcak Nokta Analizi
Bayesian Hot Spot Analysis · Ayrıca şöyle bilinir: Bayesian spatial cluster detection, Bayesian disease mapping hot spots, empirical Bayesian hot spot analysis, Bayesian spatial smoothing hot spots
Bayesci Sıcak Nokta Analizi, gözlemlenen verileri uzamsal yapı hakkındaki önsel inançlarla birleştirerek artmış risk veya yoğunluk alan kümelerini tanımlar. Küçük alanlardaki tahminleri dengelemek için komşu alanlardaki bilgileri havuzlayan Bayesci düzeltme kullanır ve ardından risk eşiğini aşma olasılığının yüksek olduğu yerleri işaretler.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Alan sayım veya oran verileriniz (hastalık vakaları, suç olayları, kaza sayıları) yüksek oranda değişken popülasyonlara veya maruziyet paydalarına sahip alanlara dağıldığında ve küçük alan güvenilirliği bir endişe kaynağı olduğunda Bayesci sıcak nokta analizini kullanın. Hastalık haritalama, epidemiyolojik gözetim ve halk sağlığı planlamasında tercih edilen yaklaşımdır. Özellikle alanlar boyut veya nüfus olarak büyük ölçüde farklılık gösterdiğinde, ham oranları kararsız hale getirdiğinde değerlidir. Nokta desenleri için paydaları olmayan veya uzamsal ağırlık yapısının belirsiz olduğu durumlarda sıkı Getis-Ord'un yerine doğrudan bir ikame olarak kullanmayın; ayrıca hesaplama kaynakları veya Bayesci modelleme uzmanlığı mevcut değilse, MCMC veya INLA uyumu gerektirdiğinden kaçının.
Güçlü yönler & sınırlılıklar
- Sıcak nokta olma sonsal olasılığı, sıkı yöntemlerden gelen p-değerlerinin aksine doğrudan, yorumlanabilir belirsizlik ölçümü sağlar.
- Bayesci uzamsal düzeltme, seyrek nüfuslu alanlarda küçük sayısal istikrarsızlıktan kaynaklanan yanlış pozitifleri azaltır.
- BYM ve ilgili modeller, uzamsal olarak yapılandırılmış kümelenmeyi yapılandırılmamış aşırı dağılımdan ayırarak kümelenmenin doğasını ortaya çıkarır.
- Önsel bilgi (örneğin, bilinen risk faktörleri, geçmiş oranlar) resmi olarak dahil edilebilir.
- Hiyerarşik uzantılar eksik verileri, kovaryat ayarlamasını ve çok seviyeli yapıları doğal olarak ele alır.
- Hesaplama açısından yoğundur: MCMC örneklemesi veya INLA yaklaşımı gereklidir, bu da klasik yöntemlere kıyasla karmaşıklığı artırır.
- Sonuçlar, önsel ve uzamsal ağırlık matrisinin (örneğin, kraliçe bitişikliği vs. mesafeye dayalı) seçimine bağlıdır; hassasiyet analizi gereklidir.
- Modelleri doğru bir şekilde belirtmek, çalıştırmak ve yorumlamak için Bayesci modelleme ve uzamsal istatistik alanında uzmanlık gerektirir.
- Aşırı düzeltme, uzamsal önsel çok güçlüyse, sıcak ve soğuk noktalar arasındaki gerçek keskin sınırları maskeleyebilir.
SSS
Bayesci sıcak nokta analizi Getis-Ord Gi*'dan nasıl farklıdır?
Getis-Ord Gi*, yerel ağırlıklı ortalamalara dayanan bir z-skoru hesaplayan ve aşırı değerleri işaretleyen sıkı bir testtir. Bayesci sıcak nokta analizi, göreceli riskin tam sonsal dağılımını modeller, uzamsal önseller aracılığıyla komşulardan güç ödünç alır ve her alanın gerçekte bir risk eşiğini aştığı olasılığını raporlar. Küçük sayısal istikrarsızlığa karşı daha dayanıklıdır ve açık belirsizlik ölçümü sağlar.
Bayesci sıcak nokta analizi hangi yazılımlarla çalıştırılabilir?
Yaygın seçenekler arasında R paketleri CARBayes, INLA (R-INLA aracılığıyla) ve tam Bayes için brms/Stan bulunur; SaTScan bir Bayesci uzamsal tarama seçeneği sunar. GeoBUGS (artık büyük ölçüde Stan veya INLA ile değiştirildi) tarihsel olarak yaygın olarak kullanılmıştır.
BYM modeli nedir?
Besag-York-Mollie (BYM) modeli, alan düzeyindeki log göreceli riski, uzamsal olarak yapılandırılmış bir bileşene (koşullu otoregresif bir önsel aracılığıyla modellenen) ve yapılandırılmamış bir aşırı dağılım terimine ayırır. Bu ayrım, modelin hem yerelleşmiş uzamsal kümeleri hem de küresel heterojenliği tespit etmesine olanak tanır.
Risk eşiği c ve karar eşiği tau nasıl seçilir?
Seçim bağlama bağlıdır. Halk sağlığında, uyarı için RR > 1.5 ve P > 0.80 yaygındır; daha sıkı gözetim için RR > 2 ve P > 0.95 tercih edilebilir. Dayanıklılığı değerlendirmek için birden fazla eşik kombinasyonunda hassasiyet analizleri önerilir.
Bayesci sıcak nokta analizi kovaryatları işleyebilir mi?
Evet. Kovaryatlar (örneğin, yoksunluk indeksi, yaş yapısı) hiyerarşik modelin doğrusal tahmincisine dahil edilebilir. Kovaryat ayarlamasından sonra kalan uzamsal kümelenme incelenir ve bilinen risk faktörü desenlerinden açıklanamayan sıcak noktalar izole edilir.
Kaynaklar
- Lawson, A. B. (2018). Bayesian Disease Mapping: Hierarchical Modeling in Spatial Epidemiology (3rd ed.). CRC Press. ISBN: 978-1138575424
- Clayton, D., & Kaldor, J. (1987). Empirical Bayes estimates of age-standardized relative risks for use in disease mapping. Biometrics, 43(3), 671-681. DOI: 10.2307/2532003 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Hot Spot Analysis. ScholarGate. https://scholargate.app/tr/spatial-analysis/bayesian-hot-spot-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes Yerel Mekansal İlişkilendirme Göstergeleri (Bayes LISA)Mekânsal analiz↔ karşılaştır
- Bayesian Uzamsal OtokorelasyonMekânsal analiz↔ karşılaştır
- Sıcak Nokta Analizi (Getis-Ord Gi*)Mekânsal analiz↔ karşılaştır
- Yerel Getis-Ord Gi* (Sıcak Nokta Analizi)Mekânsal analiz↔ karşılaştır
- Yerel Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır