Bayesian Spatial Location-Scale Models for Modeling Spatial Dependence in Mean and Variance
Accurately modeling spatial correlation in both the mean and variance is essential for robust inference in spatial epidemiology. Traditional models often capture spatial dependence in the mean but assume constant variance, leading to potential biases.
We propose a Bayesian zero-censored spatial location-scale model with a two-dimensional spline-based spatial structure to jointly model spatial dependence in both components. Through simulations, we evaluate the impact of misspecifying spatial dependence, particularly in variance modeling.
Our findings highlight the importance of accounting for spatial correlation in multiple distributional parameters to improve estimation accuracy and inference reliability, with broad applications in Bayesian hierarchical modeling for public health.
We propose a Bayesian zero-censored spatial location-scale model with a two-dimensional spline-based spatial structure to jointly model spatial dependence in both components. Through simulations, we evaluate the impact of misspecifying spatial dependence, particularly in variance modeling.
Our findings highlight the importance of accounting for spatial correlation in multiple distributional parameters to improve estimation accuracy and inference reliability, with broad applications in Bayesian hierarchical modeling for public health.
Modèles bayésiens à localisation-échelle spatiale pour modéliser la dépendance spatiale dans la moyenne et la variance
Modéliser avec précision la corrélation spatiale dans la moyenne et la variance est essentiel pour une inférence robuste en épidémiologie spatiale. Les modèles traditionnels capturent souvent la dépendance spatiale dans la moyenne, mais supposent une variance constante, ce qui peut entraîner des biais. Nous proposons un modèle bayésien à localisation-échelle spatiale à censure nulle, intégrant une structure spatiale à base de spline bidimensionnelle, afin de modéliser conjointement la dépendance spatiale dans ces deux composantes. À travers des simulations, nous évaluons l’impact d’une mauvaise spécification de la dépendance spatiale, en particulier dans la modélisation de la variance. Nos résultats soulignent l’importance de prendre en compte la corrélation spatiale dans plusieurs paramètres distributionnels afin d’améliorer la précision des estimations et la fiabilité des inférences, avec de larges applications en modélisation hiérarchique bayésienne pour la santé publique.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais