全文鏈接：http://tecdat.cn/?s=dlnm&submit=Search

最近我們被客戶(hù)要求撰寫(xiě)關(guān)于分布滯后線(xiàn)性和非線(xiàn)性模型的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。

有時(shí)特定暴露事件的影響并不局限于觀(guān)察到的那段時(shí)間，而是在時(shí)間上有所滯后。這就帶來(lái)了一個(gè)問(wèn)題，即對(duì)暴露事件與未來(lái)一系列結(jié)果之間的關(guān)系進(jìn)行建模，指定事件發(fā)生后不同時(shí)間的影響分布（定義的滯后期）。最終，這一步需要定義暴露-反應(yīng)關(guān)系的額外滯后維度，描述影響的時(shí)間結(jié)構(gòu)

在評(píng)估環(huán)境應(yīng)激源的短期影響時(shí)，這種情況經(jīng)常發(fā)生：一些時(shí)間序列研究報(bào)告稱(chēng)，暴露在高水平的空氣污染或極端溫度下，會(huì)在發(fā)生后的幾天內(nèi)影響健康。此外，當(dāng)一個(gè)應(yīng)激源主要影響一批脆弱的個(gè)體時(shí)，就會(huì)出現(xiàn)這樣的現(xiàn)象，這些個(gè)體的事件只因暴露的影響而提前了短暫的時(shí)間。

在已經(jīng)提出的處理之后效應(yīng)的各種方法中，分布式滯后模型（DLM）發(fā)揮了主要作用，最近在空氣污染和溫度研究中被用來(lái)量化健康效應(yīng)。這種方法的主要優(yōu)點(diǎn)是，它允許模型包含暴露-反應(yīng)關(guān)系的時(shí)間過(guò)程的詳細(xì)表述，這反過(guò)來(lái)又提供了對(duì)存在滯后貢獻(xiàn)或收獲的總體效應(yīng)的估計(jì)。

R語(yǔ)言分布滯后非線(xiàn)性模型（DLNM）空氣污染研究溫度對(duì)死亡率影響建模應(yīng)用

環(huán)境應(yīng)激源往往表現(xiàn)出時(shí)間上的滯后效應(yīng)，這就要求使用足夠靈活的統(tǒng)計(jì)模型來(lái)描述暴露-反應(yīng)關(guān)系的時(shí)間維度。在此，我們開(kāi)發(fā)了分布式滯后非線(xiàn)性模型（DLNM），這是一個(gè)可以同時(shí)代表非線(xiàn)性暴露-反應(yīng)依賴(lài)性和滯后效應(yīng)的建?？蚣堋＿@種方法是基于 "交叉基準(zhǔn) "的定義，這是一個(gè)雙維的函數(shù)空間，它同時(shí)描述了沿預(yù)測(cè)空間和其發(fā)生的滯后維度的關(guān)系形狀。

點(diǎn)擊標(biāo)題查閱內(nèi)容

R語(yǔ)言分布滯后非線(xiàn)性模型（DLNM）空氣污染研究溫度對(duì)死亡率影響建模應(yīng)用

左右滑動(dòng)查看更多

01

02

03

04

R語(yǔ)言分布滯后線(xiàn)性和非線(xiàn)性模型（DLM和DLNM）建模

本文說(shuō)明了R語(yǔ)言中實(shí)現(xiàn)分布滯后線(xiàn)性和非線(xiàn)性模型（DLM和DLNM）的建模。首先，本文描述了除時(shí)間序列數(shù)據(jù)之外的DLM / DLNM的一般化方法，在Gasparrini [2014]中有更詳細(xì)的描述。

點(diǎn)擊標(biāo)題查閱內(nèi)容

R語(yǔ)言分布滯后線(xiàn)性和非線(xiàn)性模型（DLM和DLNM）建模

左右滑動(dòng)查看更多

01

02

03

04

**R語(yǔ)言分布滯后非線(xiàn)性模型（DLNM）研究發(fā)病率，死亡率和空氣污染示例
**

本文提供了運(yùn)行分布滯后非線(xiàn)性模型的示例，同時(shí)描述了預(yù)測(cè)變量和結(jié)果之間的非線(xiàn)性和滯后效應(yīng)，這種相互關(guān)系被定義為暴露-滯后-反應(yīng)關(guān)聯(lián)。

點(diǎn)擊標(biāo)題查閱內(nèi)容

R語(yǔ)言分布滯后非線(xiàn)性模型（DLNM）研究發(fā)病率，死亡率和空氣污染示例

左右滑動(dòng)查看更多

01

02

03

04

R語(yǔ)言分布滯后線(xiàn)性和非線(xiàn)性模型（DLMs和DLNMs）分析時(shí)間序列數(shù)據(jù)

本文演示了在時(shí)間序列分析中應(yīng)用分布滯后線(xiàn)性和非線(xiàn)性模型（DLMs和DLNMs）。Gasparrini等人[2010]和Gasparrini[2011]闡述了DLMs和DLNMs的發(fā)展以及時(shí)間序列數(shù)據(jù)的實(shí)現(xiàn)。本文描述的示例涵蓋了時(shí)間序列數(shù)據(jù)DLNM方法的大多數(shù)標(biāo)準(zhǔn)應(yīng)用，并探討了DLNM包用于指定、總結(jié)和繪制此類(lèi)模型。盡管這些例子在空氣污染和溫度對(duì)健康的影響方面有具體的應(yīng)用，但它們很容易被推廣到不同的主題，并為分析這些數(shù)據(jù)集或其他時(shí)間序列數(shù)據(jù)源奠定了基礎(chǔ)。

點(diǎn)擊標(biāo)題查閱內(nèi)容

R語(yǔ)言分布滯后線(xiàn)性和非線(xiàn)性模型（DLMs和DLNMs）分析時(shí)間序列數(shù)據(jù)

左右滑動(dòng)查看更多

01

02

03

04

分布滯后線(xiàn)性和非線(xiàn)性模型（DLNM）分析空氣污染（臭氧）、溫度對(duì)死亡率時(shí)間序列數(shù)據(jù)的影響

分布滯后非線(xiàn)性模型（DLNM）表示一個(gè)建?？蚣?，可以靈活地描述在時(shí)間序列數(shù)據(jù)中顯示潛在非線(xiàn)性和滯后影響的關(guān)聯(lián)。該方法論基于交叉基的定義，交叉基是由兩組基礎(chǔ)函數(shù)的組合表示的二維函數(shù)空間，它們分別指定了預(yù)測(cè)變量和滯后變量的關(guān)系。本文在R軟件實(shí)現(xiàn)DLNM，然后幫助解釋結(jié)果，并著重于圖形表示。本文提供指定和解釋DLNM的概念和實(shí)踐步驟，并舉例說(shuō)明了對(duì)實(shí)際數(shù)據(jù)的應(yīng)用。

點(diǎn)擊標(biāo)題查閱內(nèi)容

分布滯后線(xiàn)性和非線(xiàn)性模型（DLNM）分析空氣污染（臭氧）、溫度對(duì)死亡率時(shí)間序列數(shù)據(jù)的影響

左右滑動(dòng)查看更多

01

02

03

04

DLNM類(lèi)代表描述描述非線(xiàn)性效應(yīng)和滯后效應(yīng)的現(xiàn)象的統(tǒng)一框架。該模型系列的主要優(yōu)點(diǎn)是在一個(gè)獨(dú)特的框架中統(tǒng)一了許多以前的方法來(lái)處理滯后效應(yīng)，還為關(guān)系提供了更靈活的選擇。

點(diǎn)擊文末?“閱讀原文”

獲取全文完整代碼數(shù)據(jù)資料。

本文選自《分布滯后線(xiàn)性和非線(xiàn)性模型（DLNM）系列文章》。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語(yǔ)言分布滯后非線(xiàn)性模型（DLNM）空氣污染研究溫度對(duì)死亡率影響建模應(yīng)用
R語(yǔ)言分布滯后線(xiàn)性和非線(xiàn)性模型（DLM和DLNM）建模
分布滯后線(xiàn)性和非線(xiàn)性模型（DLNM）分析空氣污染（臭氧）、溫度對(duì)死亡率時(shí)間序列數(shù)據(jù)的影響
R語(yǔ)言中的分布滯后非線(xiàn)性模型DLNM與發(fā)病率和空氣污染示例
【視頻】R語(yǔ)言中的分布滯后非線(xiàn)性模型（DLNM）與發(fā)病率，死亡率和空氣污染示例
R語(yǔ)言分布滯后線(xiàn)性和非線(xiàn)性模型（DLNM）分析空氣污染（臭氧）、溫度對(duì)死亡率時(shí)間序列數(shù)據(jù)的影響
R語(yǔ)言分布滯后線(xiàn)性和非線(xiàn)性模型（DLMs和DLNMs）分析時(shí)間序列數(shù)據(jù)
R語(yǔ)言分布滯后非線(xiàn)性模型（DLNM）空氣污染研究溫度對(duì)死亡率影響建模應(yīng)用R語(yǔ)言分布滯后非線(xiàn)性模型（DLNM）研究發(fā)病率，死亡率和空氣污染示例
R語(yǔ)言分布滯后線(xiàn)性和非線(xiàn)性模型（DLM和DLNM）建模
R語(yǔ)言廣義相加模型 (GAMs)分析預(yù)測(cè)CO2時(shí)間序列數(shù)據(jù)
Python | ARIMA時(shí)間序列模型預(yù)測(cè)航空公司的乘客數(shù)量
R語(yǔ)言中生存分析模型的時(shí)間依賴(lài)性ROC曲線(xiàn)可視化
R語(yǔ)言ARIMA，SARIMA預(yù)測(cè)道路交通流量時(shí)間序列分析:季節(jié)性、周期性
ARIMA模型預(yù)測(cè)CO2濃度時(shí)間序列-python實(shí)現(xiàn)
R語(yǔ)言基于遞歸神經(jīng)網(wǎng)絡(luò)RNN的溫度時(shí)間序列預(yù)測(cè)
R語(yǔ)言用多元ARMA,GARCH ,EWMA, ETS,隨機(jī)波動(dòng)率SV模型對(duì)金融時(shí)間序列數(shù)據(jù)建模
R語(yǔ)言神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)車(chē)輛數(shù)量時(shí)間序列
卡爾曼濾波器：用R語(yǔ)言中的KFAS建模時(shí)間序列
在Python中使用LSTM和PyTorch進(jìn)行時(shí)間序列預(yù)測(cè)
R語(yǔ)言從經(jīng)濟(jì)時(shí)間序列中用HP濾波器，小波濾波和經(jīng)驗(yàn)?zāi)B(tài)分解等提取周期性成分分析
使用PYTHON中KERAS的LSTM遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行時(shí)間序列預(yù)測(cè)
Python中的ARIMA模型、SARIMA模型和SARIMAX模型對(duì)時(shí)間序列預(yù)測(cè)
R語(yǔ)言k-Shape時(shí)間序列聚類(lèi)方法對(duì)股票價(jià)格時(shí)間序列聚類(lèi)
R語(yǔ)言多元Copula GARCH 模型時(shí)間序列預(yù)測(cè)