SEARCH

SEARCH BY CITATION

Keywords:

  • Conditional autoregressive;
  • generalized estimating equation;
  • generalized linear mixed model;
  • geographic epidemiology;
  • random effects model;
  • seasonal effect;
  • MSC 2000 Primary 62F10;
  • secondary 62P10

Abstract

This paper studies generalized linear mixed models (GLMMs) for the analysis of geographic and temporal variability of disease rates. This class of models adopts spatially correlated random effects and random temporal components. Spatio-temporal models that use conditional autoregressive smoothing across the spatial dimension and autoregressive smoothing over the temporal dimension are developed. The model also accommodates the interaction between space and time. However, the effect of seasonal factors has not been previously addressed and in some applications (e.g., health conditions), these effects may not be negligible. The authors incorporate the seasonal effects of month and possibly year as part of the proposed model and estimate model parameters through generalized estimating equations. The model provides smoothed maps of disease risk and eliminates the instability of estimates in low-population areas while maintaining geographic resolution. They illustrate the approach using a monthly data set of the number of asthma presentations made by children to Emergency Departments (EDs) in the province of Alberta, Canada, during the period 2001–2004. The Canadian Journal of Statistics 38: 698–715; 2010 © 2010 Statistical Society of Canada

Cet article considère les modèles linéaires mixtes généralisés (GLMM) pour l'analyse des variations géographique et temporelle l'incidence d'une maladie. Cette classe de modèles permet la présence d'effets aléatoires corrélés spatialement et des composantes temporelles aléatoires. Les auteurs développent des modèles utilisant un lissage autorégressif conditionnel pour la dimension spatiale et un lissage autorégressif pour la dimension temporelle. Ces modèles permettent aussi une interaction entre l'espace et le temps. Cependant, les effets des facteurs saisonniers ne sont pas encore été considérés alors qu'ils peuvent être non négligeables dans certaines applications (par exemple les états de santé). Les auteurs incorporent des effets saisonniers au niveau du mois et possiblement de l'année au modèle proposé et ils estiment ces paramètres en utilisant des équations d'estimation généralisées. Le modèle permet d'obtenir une carte lisse du risque de maladie et il élimine l'instabilité des estimateurs dans les régions à faible population tout en maintenant la résolution géographique. Les auteurs illustrent leur approche en utilisant des données mensuelles représentant le nombre d'enfants se présentant aux salles d'urgence pour des raisons reliées à l'asthme dans la province de l'Alberta (Canada) pendant la période 2001–04. La revue canadienne de statistique 38: 698–715; 2010 © 2010 Société statistique du Canada