مدل بندي توام وابستگي فضايي، تورم در صفر و كم/بيش پراكنشي پاسخ هاي شمارشي

Modeling spatial structure, zero-inflation and over/under-dispersion forcount responses

وجود دو چالش معمول پراكنش نامتعادل پاسخ هاي شمارشي و صفرهاي مازاد در مشاهدات، استفاده از مدل رگرسيون پواسون را محدود مي كند. براي لحاظ كردن توام اين دو ويژگي داده ها در كنار وابستگي فضايي، در اين مقاله، يك مدل فضايي مشبكه اي بيزي جديد معرفي مي شود كه از تركيب دو رهيافت مدل بندي تورم در صفر و مدل بندي پراكنشپاسخ هاي شمارشي فضايي، مبتني بر توزيع شمارشي گاما، ساخته مي شود. براي برازشمدل و استنباط، روش بيزي تقريب لاپلاس آشياني جمع بسته به كار گرفته مي شود. كاربست مدل نيز در تحليل داده هاي سرطان مغز در كشور اسپانيا و پهنه بندي آن نمايش داده مي شود.

The presence of over/under-dispersion and excessive zeros in count responses restrict the use of the Poisson regression model. To address these challenges, considering the spatial dependence structure of counts, in this paper, a new Bayesian spatial zeroinflated model is introduced by mixing the zero-inflated modeling approach and a spatial gamma-count model for modeling dispersion. The integrated nested Laplace approximation method is employed to fit and implement statistical inference in the proposed Bayesian model. The proposed methodology analyzes a clinical dataset related to brain cancer incidence in Navarra, Spain.