Model-Based Multiresolution Small Area Estimation
Master thesis
Permanent lenke
https://hdl.handle.net/11250/2778403Utgivelsesdato
2021Metadata
Vis full innførselSamlinger
Sammendrag
Nøyaktige og pålitelige estimater for vaksinasjonsdekning i lav- og middelsinntektsland spiller en viktig rolle for planlegging og gjennomføring av folkehelsepolitikk, og for igangsettelse av supplementerende vaksinasjonsprogram. Data fra husstandsundersøkelser som inkluderer informasjon om vaksinasjonsstatus for barn blir typisk analysert med designbaserte metoder, men disse metodene skjuler ofte ulikheter innad i større regioner. Husstandsundersøkelser er designet for å kunne gi pålitelige estimater for de største subnasjonal administrative områdene i et land, som gir store usikkerhetsintervall for mindre områder. Flere modellbaserte metoder har de siste årene blitt brukt for å analysere slike datasett for å finne ut hvor behovet for ressurser er størst.
I denne oppgaven bygger vi på den diskrete romlige Besag-York-Mollié (BYM) modellen, ved å tillate romlig utglatting mellom administrative områder på flere geografiske skalaer. Modellene vi studerer er Bayesianske hierarkiske modeller med binomiske observasjoner, implementert i statistikkprogrammeringsspråket Stan. De nye modellene har en parameter som kontrollerer hvordan den geografiske variasjonen blir delt på forskjellige romlige oppløsninger. Vi viser at modellene med romlig utglatting på flere oppløsninger kan forbedre prediksjonsnøyaktighet sammenlignet med finskalamodeller, og tolkbarheten til modellparametrene gir verdifullt innsyn i geografiske forskjeller i vaksinasjonsdekning.
Målet med videre forskning er å forstå variasjonen av vaksinasjonsdekning innad i ulike land, og dekomponering av variasjonen fleroppløsningsmodellene gir kan forenkle sammenligningen mellom regioner og land. Accurate and reliable estimates for vaccination coverage in low- and middle-income countries is key for planning and enacting public health policies, and when deploying supplementary vaccination programs. Household survey data containing the vaccination status of children is typically analysed with design-based methods, however, these estimates tend to mask geographical inequalities within larger regions. Surveys are usually powered to give reliable estimates for the largest subnational administrative areas, resulting in large uncertainties for estimates in smaller areas. In recent years, effort has been taken to develop model-based approaches for analysing such data to reveal where the need for funding and resources is greatest.
Here, we expand on the well known Besag-York-Mollié (BYM) discrete spatial model, by allowing spatial smoothing between administrative areas on multiple geographical scales. The models we consider are Bayesian hierarchical models with binomial likelihood, which are implemented in the Stan programming language. The new proposed models have a parameter controlling how the geographical variation is split between different spatial scales. We show that multiresolution modeling approaches can improve predictive accuracy compared to the BYM model on a single administrative level, and the interpretability of the model parameters offer valuable insight into the overall variability of vaccination coverage.
A goal of future research is to understand variability in vaccination coverage within countries, and this decomposition of variability can simplify comparison between different regions and countries.