基于贝叶斯方法的年龄-时期-队列预测模型的介绍

摘要：

年龄-时期-队列模型(age-period-cohort model,以下简称APC模型)广泛应用于对慢性病发病率和死亡率变化趋势的分析[1-2]及预测未来疾病负担变化[3-4],并在传染性疾病的分析中也有应用[3-5].该模型考虑的因素包括年龄、时期、队列3个因素,由于3个因素之间存在线性关系而导致参数估计比较困难,若无一定的条件限制,同样的数据用APC模型估计的变化趋势甚至可能出现相反的情况[6].关于APC模型参数估计的方法较多,包括非线性模型法、惩罚函数法、估计函数法、自回归模型等[1],但各种方法均存在不足,且传统的参数估计方法一般只利用样本信息.贝叶斯方法在参数估计时不仅能利用样本信息,还能利用样本外已知的其他信息,即先验信息.笔者将结合肿瘤登记数据的情况,介绍APC模型在预测中的应用及基于贝叶斯马尔可夫链蒙特卡罗算法(MCMC)估计参数.

机标关键词：贝叶斯方法、年龄、队列模型、自回归模型、参数估计方法、样本信息、变化趋势、应用、蒙特卡罗算法、惩罚函数法、马尔可夫链、传染性疾病、肿瘤登记、预测、线性关系、先验信息、条件限制、数据、疾病负担、估计参数

所属期刊栏目：46

分类号：R1(预防医学、卫生学)

资助基金：辉瑞公司资助2010-CHN-OR-02

在线出版日期：2012-10-22（万方平台首次上网日期，不代表论文的发表时间）

页码：648-650