Spatial-temporal association between fine particulate matter and daily mortality.
Spatial-temporal association between fine particulate matter and daily mortality.
复制标题
DOI：
10.1016/j.csda.2008.05.018
复制
发表时间：
2009-06-15
影响因子：
1.8
通讯作者：
Reich, Brian J.
中科院分区：
文献类型：
--
作者：
Choi, Jungsoon;Fuentes, Montserrat;Reich, Brian J.
细颗粒物（PM2.5）是一种污染物混合物，与严重的健康问题有关，包括过早死亡。由于PM2.5的化学成分随时间和空间的变化而变化，PM2.5与死亡率之间的关系也可能随时间和空间的变化而变化。在这项工作中，我们开发并实施了一个统计多阶段贝叶斯框架，该框架提供了一个非常广泛、灵活的方法来研究死亡率与人口暴露于PM2.5每日质量之间的时空关联，同时考虑了不同的不确定性来源。在第一阶段，我们使用所有可用的监测数据（改进和FRM）和空气质量模型（CMAQ）在不同时空尺度上绘制环境PM2.5空气浓度图。在第二阶段，我们通过引入一个时空广义泊松回归模型来研究PM2.5暴露与健康终点之间的时空关系。我们根据时变的混杂因素进行调整，比如季节性趋势。常见的季节性趋势模型是使用固定数量的基函数来考虑这些混杂因素，但结果可能对基函数的数量很敏感。本研究将基函数的个数作为贝叶斯模型的一个未知参数，采用时空随机搜索变量选择方法。我们将我们的方法应用于北卡罗莱纳州2001年的数据集。
Fine particulate matter (PM2.5) is a mixture of pollutants that has been linked to serious health problems, including premature mortality. Since the chemical composition of PM2.5 varies across space and time, the association between PM2.5 and mortality could also change with space and season. In this work we develop and implement a statistical multi-stage Bayesian framework that provides a very broad, flexible approach to studying the spatiotemporal associations between mortality and population exposure to daily PM2.5 mass, while accounting for different sources of uncertainty. In stage 1, we map ambient PM2.5 air concentrations using all available monitoring data (IMPROVE and FRM) and an air quality model (CMAQ) at different spatial and temporal scales. In stage 2, we examine the spatial temporal relationships between the health end-points and the exposures to PM2.5 by introducing a spatial-temporal generalized Poisson regression model. We adjust for time-varying confounders, such as seasonal trends. A common seasonal trends model is to use a fixed number of basis functions to account for these confounders, but the results can be sensitive to the number of basis functions. In this study, the number of the basis functions is treated as an unknown parameter in our Bayesian model and we use a space-time stochastic search variable selection approach. We apply our methods to a data set in North Carolina for the year 2001.
登录
查看更多内容
影响因子：
5.7
作者：
Eilers, PHC;Marx, BD
通讯作者：
Marx, BD
影响因子：
8.3
作者：
DOCKERY, DW;SCHWARTZ, J;SPENGLER, JD
通讯作者：
SPENGLER, JD
影响因子：
2.1
作者：
POPE, CA;DOCKERY, DW;SCHWARTZ, J
通讯作者：
SCHWARTZ, J
DOI：
10.1198/016214502753479266
发表时间：
2002-03-01
影响因子：
3.7
作者：
Dominici, F;Daniels, M;Samet, JM
通讯作者：
Samet, JM
影响因子：
4.4
作者：
Binkowski, FS;Roselle, SJ
通讯作者：
Roselle, SJ