Scalable Spatio-temporal Disaggregation with Changing Areal Boundaries
Small area estimation and disease mapping increasingly rely on areal data where reporting boundaries change over time. We develop a computationally efficient spatio-temporal disaggregation method that recovers high-resolution risk surfaces from observed counts under changing areal boundaries. Our approach extends the spatially aggregated log-Gaussian Cox process and is fit within the Extended Latent Gaussian Model (ELGM) framework for fast approximate posterior inference. To ease computation, we replace lognormal polygon-specific overdispersion with gamma-distributed overdispersion. This yields a marginal negative binomial likelihood, thereby removing one latent variable per polygon–time pair and keeping the inner Hessian, which is repeatedly inverted during approximate inference, of fixed dimension as the dataset grows. We map spatial variation in mortality risk across changing NUTS-3 boundaries in Belgium and the Netherlands and provide open-source R software to implement the method.
Désagrégation spatio-temporelle évolutive avec modification des limites territoriales
L'estimation sur petits domaines et la cartographie des maladies s'appuient de plus en plus sur des données spatiales dont les frontières changent au fil du temps. Nous développons une méthode de désagrégation spatio-temporelle efficace sur le plan computationnel qui permet de récupérer des surfaces de risque à haute résolution à partir de comptages observés dans le cadre de frontières spatiales changeantes. Notre approche étend le processus de Cox log-gaussien agrégé spatialement et s'inscrit dans le cadre du modèle gaussien latent étendu (ELGM) pour une inférence postérieure approximative rapide. Pour faciliter le calcul, nous remplaçons la surdispersion log-normale spécifique aux polygones par une surdispersion distribuée selon une loi gamma. Cela donne une vraisemblance binomiale marginale négative, supprimant ainsi une variable latente par paire polygone-temps et conservant le Hessien interne, qui est inversé à plusieurs reprises pendant l'inférence approximative, de dimension fixe à mesure que l'ensemble de données s'agrandit. Nous cartographions la variation spatiale du risque de mortalité sur les frontières NUTS-3 changeantes en Belgique et aux Pays-Bas, et fournissons du code R librement accessible pour mettre en œuvre la méthode.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English