贝叶斯层次化时变分布滞后非线性模型：在环境温度与每日确诊的COVID-19病例之间的短期关联中的应用

《Journal of Applied Statistics》：Bayesian hierarchical time-varying distributed lag nonlinear model: applications in the short-term association between ambient temperature and daily confirmed cases of COVID-19

环境流行病学中，短期能量暴露与健康反应的关联分析常用分布式滞后非线性模型。本研究创新性地提出贝叶斯分层方法，整合衰减滞后效应和非加性交互作用（暴露、滞后、时间三维度），采用负二项分布建模，并开发了MCMC和变分贝叶斯算法实现参数估计。通过模拟数据和真实数据（美国气温与COVID-19发病率）验证，证实该方法能有效揭示短期环境暴露与疾病风险的非线性关系。

　　

摘要

环境流行病学研究通常通过跨多个地点的日常时间序列数据分析，来探讨环境暴露与健康反应之间的短期关联。分布式滞后非线性模型是用于通过暴露-反应函数估计这种关联的最常用方法之一。我们的研究提出了一种新颖的贝叶斯方法，该方法采用分层方式来估计多个受试者的暴露-反应函数，同时考虑了衰减的滞后效应，并通过负二项分布处理暴露、滞后和时间维度中的复杂非线性相互作用。我们开发了马尔科夫链蒙特卡洛（Markov Chain Monte Carlo）和变分贝叶斯（variational Bayes）算法来进行估计。为了验证该方法的有效性，我们使用模拟数据集和真实数据集，研究了美国环境温度与COVID-19发病率之间的短期关系。