一种新的校正方法,用于建模参数驱动的自相关时间序列与计数结果.

科学领域:

• 环境健康研究环境健康研究
• 生物统计学 生物统计学
• 流行病学 流行病学

背景情况:

• 计数时间序列数据在环境健康中很常见,但往往是自相关的,违反了通用线性模型假设.
• 现有的参数驱动计数时间序列的方法缺乏可靠的标准错误估计,可能会膨胀I型错误率.

研究的目的:

• 提出和评估一种新的最大显著 ρ 校正 (MSRC) 方法,用于建模自相关计数时间序列.
• 用MSRC方法评估醉酒驾驶法规对道路交通伤害 (RTIs) 的有效性.

主要方法:

• 开发了最大显著 ρ 校正 (MSRC) 方法,使用自相关系数的时刻估计.
• 进行了蒙特卡洛模拟,以将MSRC与经典的公正校正 (UB-corrected) 方法进行比较.
• 在中国深,将MSRC应用于每日RTI数据,以分析时间变化的干预效应.

主要成果:

• MSRC有效控制了I型错误率,特别是在更大的样本大小 (n=340) 时.
• 通过更大的样本大小和效果大小,MSRC表现出更大的统计能力.
• 严格的醉酒驾驶法规的干预与实施后的1,3年和5年RTIs的显著减少有关.

结论:

• MSRC方法提供了一种可靠和一致的方法来分析环境健康中的自相关计数时间序列数据.
• 该研究提供了证据表明,严格的醉酒驾驶法规有效地减少了道路交通伤害的发生率.