Συλλογές | |
---|---|
Τίτλος |
Time series analysis of infectious disease data |
Εναλλακτικός τίτλος |
Ανάλυση δεδομένων μολυσματικών ασθενειών με χρήση χρονολογικών σειρών |
Δημιουργός |
Λεοντάρη, Ευαγγελία, Leontari Evangelia |
Συντελεστής |
Athens University of Economics and Business, Department of Statistics Demiris, Nikolaos Karlis, Dimitrios Pedeli, Xanthi |
Τύπος |
Text |
Φυσική περιγραφή |
82p. |
Γλώσσα |
en |
Αναγνωριστικό |
http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=11557 |
Περίληψη |
The accurate analysis of infectious disease data is crucial for enhancing epidemiological surveillance systems and public health defenses. While regression models are commonly employed in national epidemiological surveillance systems, these models often assume data independence, potentially creating misleading conclusions when serial correlation in time series of disease counts is overlooked. This thesis aims to address this problem by comparing various statistical approaches for incorporating serial correlation into regression models for count data. After consulting the bibliography, we present some suitable distributions and the eight most commonly used models for this purpose, their formulation and applicability. Then, through a platform for infectious disease data, the ECDC Surveillance Atlas, we derive data on the meningococcal disease and its spread in Greece in the previous years and process it in order to evaluate the effectiveness of three of the aforementioned methods, namely PAR /NBAR, INGARCH and GLARMA. Η ακριβής ανάλυση των δεδομένων λοιμωδών νοσημάτων είναι ζωτικής σημασίας για την ενίσχυση των συστημάτων επιδημιολογικής επιτήρησης και της άμυνας της δημόσιας υγείας. Ενώ τα μοντέλα παλινδρόμησης χρησιμοποιούνται συνήθως σε εθνικά συστήματα επιδημιολογικής επιτήρησης, συχνά υποθέτουν ανεξαρτησία δεδομένων, δυνητικά δημιουργώντας παραπλανητικά συμπεράσματα όταν παραβλέπεται η σειριακή συσχέτιση σε χρονοσειρές απαρίθμησης. Αυτή η εργασία στοχεύει να αντιμετωπίσει αυτό το πρόβλημα συγκρίνοντας διάφορες στατιστικές προσεγγίσεις για την ενσωμάτωση της σειριακής συσχέτισης σε μοντέλα παλινδρόμησης για δεδομένα απαρίθμησης. Αφού συμβουλευτήκαμε τη βιβλιογραφία, παρουσιάζουμε κάποιες κατάλληλες κατανομές και τα οκτώ πιο συχνά χρησιμοποιούμενα μοντέλα για το σκοπό αυτό, την σύνθεση και την δυνατότητα εφαρμογής τους. Στη συνέχεια, μέσω μιας πλατφόρμας για δεδομένα λοιμωδών νοσημάτων, τον ECDC Surveillance Atlas, αντλούμε στοιχεία για την μηνιγγίτιδα και την εξάπλωση της στην Ελλάδα τα προηγούμενα χρόνια και τα επεξεργαζόμαστε με σκοπό την αξιολόγηση της αποτελεσματικότητας τριών εκ των προαναφερθέντων μεθόδων, συγκεκριμένα των PAR/NBAR, INGARCH και GLARMA. |
Λέξη κλειδί |
Σειριακή συσχέτιση Λοιμώδη νοσήματα Δεδομένα απαρίθμησης Infectious disease Autocorrelation Count data Poisson Negative binomial |
Διαθέσιμο από |
2024-10-17 17:31:10 |
Ημερομηνία έκδοσης |
20-09-2024 |
Ημερομηνία κατάθεσης |
2024-10-17 17:31:10 |
Δικαιώματα χρήσης |
Free access |
Άδεια χρήσης |
https://creativecommons.org/licenses/by/4.0/ |