Discrete and Continuous Models and Applied Computational ScienceDiscrete and Continuous Models and Applied Computational ScienceDiscrete and Continuous Models and Applied Computational Science2658-46702658-7149Peoples' Friendship University of Russia named after Patrice Lumumba (RUDN University)8235ArticlesСтатьиResearch ArticleOn Generalized Mixed-Additive Regression Models with Spatially Structural Risk FactorsИсследование обобщённых смешанно-аддитивных регрессионных моделей с пространственно-структурными факторами рисковShchetininEu YuЩетининЕвгений ЮрьевичDepartment of Applied MathematicsКафедра прикладной математикиriviera-molto@mail.ruMoscow State Technology University “STANKIN”ФБГОУ ВПО МГТУ «СТАНКИН»150320143NO3 (2014)№3 (2014)9910608092016Copyright ©; 2014, Щетинин Е.Ю.2014Щетинин Е.Ю.http://creativecommons.org/licenses/by/4.0https://journals.rudn.ru/miph/article/view/8235An identifying of associated risk factors which enhance the risk of infection is the most intensively growing field of epidemiology. But too little investigations considered the spatial structure of the data, as well as possible nonlinear effects of the risk factors. We developed a bayesian spatial semi-parametric regression model for cholera epidemic data. Model estimation and inference is based on fully Bayesian approach via Markov Chain Monte Carlo (MCMC) simulations. The model is applied to cholera epidemic data from Ghana, Africa. Proximity to refuse dumps, density of refuse dumps, and proximity to potential cholera reservoirs were modeled as continuous functions; presence of slum settlers and population density were modeled as fixed effects, spatial references to the communities were modeled as structured and unstructured spatial effects. We found out that the risk of cholera is associated with slum settlements and high population density. The risk of cholera is equal and lower for communities with fewer refuse dumps, but variable and higher for communities with more refuse dumps. The risk is also lower for communities distant from refuse dumps and potential cholera reservoirs. The results also indicate distinct spatial variation in the risk of cholera infection.В настоящей работе реализован байесовский подход к решению задачи распространения эпидемии опасных инфекционных заболеваний на основе обобщённых смешанноаддитивных регрессионных моделей с пространственно-временными факторами. В модель одновременно включены как непрерывные, так и категориальные переменные, а также структурные эффекты, учитывающие влияние статистических связей на риски инфицирования. В качестве основных таких переменных были обоснованно выбраны наличие густонаселённых районов малоимущих с низким уровнем медицинского и социального обеспечения, плотность населения в них. В качестве непрерывных факторов выбраны близость проживания к свалкам, плотность расположения свалок, а также близость проживания к потенциальным источникам заражения холерой. Для оценивания параметров модели нами использованы байесовские сплайны, а также марковские случайные поля как стохастический аналог многомерных пространственных структур связей регрессоров. На примере эпидемиологических данных заболевания холерой в Гане нами проведены вычислительные эксперименты по оцениванию различных характеристик поражения населения холерой, дан прогноз по распространению заболевания по территории страны и численности заражённых. Сравнительный анализ предложенной модели и классических регрессионных моделей показал её вычислительную эффективность и высокую точность в оценках прогноза риска инфицирования.epidemiologic riskbayesian regressioncholerarefuse dumpsslumsMarkov chain Monte Carlorandom fieldssplinesэпидемиологический рискхолерабайесовский полупараметрический подходрегрессионная моделькатегориальный регрессормарковские цепипространственно-аддитивные структурымарковские случайные полясплайныпрогноз1.Hastie T., Tibshirani R. Generalized Additive Models. - London: Chapman & Hall, 1990.2.Wood S. N. Generalized Additive Models. - Chapman & Hall, 2006.3.Akimov V. A., Bykov A. A., Schetinin E. Y. On Statistics of Extreme Values and its Applications, Monograph. - EMERCOM of Russia, FGU VNII GOCHS (FC), 2010.4.Banerjee S., Carlin B. P., Gelfand A. E. Hierarchical Modelling and Analysis of Spatial Data. - Chapman & Hall / CRC, 2003.5.Kamman E. E., Wand M. P. Geoadditive Models // J. Royal Stat. Soc. Series C. - 2003. - Vol. 52. - Pp. 1-18.6.Lang S., Brezger A. Bayesian P-splines // J. Comp. Graph. Stat. - 2004. - No 13183-212.7.Eilers P., B. M. Flexible Smoothing using B-splines and Penalties // Stat. Sci. - 1996. - Vol. 11. - Pp. 89-121.8.Rue H., Held L. Gaussian Markov Random Fields, Theory and Applications. - Chapman & Hall, 2005.9.Fahrmeir L., Lang S. Bayesian Inference for Generalized Additive Mixed Models Based on Markov Random Field Priors // Applied Statistics. - 2001. - Vol. 50. - Pp. 201-220.10.Lawson A. B. Statistical Methods in Spatial Epidemiology. - Chichester Wiley, 2001.11.Borroto R. J., Martinez-Piedra R. Geographical Patterns of Cholera in Mexico, 1991-1996 // Int. J. Epid. - 2000. - Vol. 29. - Pp. 764-772.12.Вспышка лихорадки Эбола перекинулась на Гану. - 2014. - http://www.rbc. ru/rbcfreenews/20140407062933.shtml.