Developing a tool to find the optimal neighborhood structure in a spatially discrete spatial analysis using Covid-19 mortality data

Abstract

In spatiale epidemiologie is het vereist om een burenstructuur te definiëren bij spatiaal discrete modellen. Deze burenstructuur, die bepaalt hoe de spatiale eenheden verbonden zijn, heeft een orde die de afstand van de spatiale correlatie tussen de spatiale eenheden representeert. Deze thesis heeft als doel om een methode uit te werken die het gemakkelijker maakt om deze burenstructuur te selecteren. Aan de hand van Covid-19 mortaliteit data uit 2020 in België worden spatiaal continue modellen gefit die de practical correlation range van de spatiale correlatie schatten. Met deze schatting wordt dan de order voor het spatiaal discrete model bepaald. Deze analyse wordt ook herhaald met gesimuleerde data. De resultaten zijn een vergelijking van de geschatte practical correlation range van het spatiaal continue model en WAIC waardes van discrete spatiale modellen met variërende burenstructuur orde. Uit de resultaten blijkt dat de methode in sommige gevallen de beste burenstructuur orde selecteert wanneer we naar de WAIC waardes kijken. In andere gevallen komt het niet overeen. Vaak wordt de practical correlation range overschat door het continue model. Dit resulteert in de selectie van een burenstructuur orde die hoog is, niet het model met de beste fit volgens de WAIC waardes.