四种空间回归模型在疾病空间数据影响因素筛选中的比较研究

Comparison of Four Spatial Regression Models for Screening Disease Factors

二维码有效期 120s

摘要目的探讨全局空间回归模型(空间迟滞模型、空间误差模型、空间杜宾模型)和局部空间回归模型(地理加权回归)在筛选疾病空间数据影响因素中的价值,为查找具有空间自相关性和空间异质性的疾病数据的影响因素提供统计参考.方法基于模型是否考虑空间自相关和空间异质性两方面,根据模型拟合后的残差是否独立、拉格朗日乘数和稳健拉格朗日乘数是否显著、信息准则量(AIC、SC)大小、R2大小、对数似然值大小等指标来评价模型拟合的效果.结果实例分析显示,普通线性回归模型拟合的AIC为41.65、R2为0.49,但残差不独立,存在空间自相关性.空间迟滞模型的AIC为18.6935、R2为0.64,稳健拉格朗日乘数显著,模型拟合后的残差独立.空间误差模型的AIC为22.0779、R2 为0.62,稳健拉格朗日乘数不显著,模型拟合后的残差独立.地理加权回归模型的AIC为14.9909、R2为0.62,模型拟合后的残差独立,模型的参数估计值具有空间变异性,不同地区的β系数、常数项、R2不同.结论全局空间回归模型和局部空间回归模型考虑了数据的空间自相关性,在探讨具有空间自相关性的疾病空间数据的影响因素时,较经典的普通线性回归模型效果好.而且,局部空间回归模型体现了参数估计值的空间变异性,与全局空间回归模型的平均估计值相比,结果更可靠.