MODEL BAYESIAN SPASIAL CAR LOCALISED: STUDI KASUS DEMAM BERDARAH DENGUE DI KOTA MAKASSAR

Aswi Aswi(1*), Sukarna Sukarna(2),

(1) Program Studi Statistika, Universitas Negeri Makassar
(2) 
(*) Corresponding Author



Abstract


Berbagai model Bayesian telah digunakan untuk menggambarkan pola spasial untuk data area. Dalam tulisan ini, kami mengaplikasikan model Bayesian spasial Conditional Autoregressive (CAR) localised yang memungkinkan untuk pembentukan pengelompokkan risiko relatif suatu kasus penyakit dalam hal ini kasus Demam Berdarah Dengue (DBD). Data yang digunakan adalah data kasus DBD tahun 2013-2015 untuk 14 wilayah kecamatan di Kota Makassar. Formula model Bayesian spasial CAR localised yang berbeda beda dibandingkan dengan menggunakan beberapa kriteria kecocokan model yaitu Deviance Information Criteria, Watanabe Akaike Information Criteria, residu dari Modified Moran’s I dan banyaknya wilayah yang termasuk dalam suatu kelompok. Penggunaan model Bayesian spasial CAR localised direkomendasikan jika rata rata dan variansi peubah terikat antar wilayah relatif besar karena dapat mengidentifikasi kelompok area yang berisiko tinggi, sedang dan rendah. Jika nilai rata rata dan variansi antar wilayah relatif besar, pembentukan kelompok dan anggotanya dipengaruhi juga oleh pemilihan hyperprior pada deviasi standar. Kecamatan Rappocini, Manggala dan Tamalanrea merupakan kecamatan yang memiliki risiko relatif yang tinggi untuk terjangkit DBD. Hasil ini dapat dijadikan rujukan pagi para pengambil kebijakan khususnya di bidang kesehatan.

 

Kata Kunci: Conditional Autoregressive, Demam berdarah Dengue, Pengelompokan, Risiko Relatif

Full Text:

PDF

References


Aswi, A., Cramb, S., Duncan, E., Hu, W., White, G., & Mengersen, K. (2020). Climate variability and dengue fever in Makassar, Indonesia: Bayesian spatio-temporal modelling. Spatial and Spatio-temporal Epidemiology, 33.

Aswi, A., Cramb, S., Duncan, E., & Mengersen, K. (2020). Evaluating the impact of a small number of areas on spatial estimation. International Journal of Health Geographics, 19(1), 39. doi:10.1186/s12942-020-00233-1

Aswi, A., Cramb, S. M., Moraga, P., & Mengersen, K. (2019). Bayesian spatial and spatio-temporal approaches to modelling dengue fever: a systematic review. Epidemiology And Infection, 147. doi:10.1017/S0950268818002807

Aswi, A., & Sukarna, S. (2015). Spatial Distribution Analysis of Dengue Incidence in Makassar, Indonesia. International Journal of Applied Mathematics & Statistics, 53(6), 202-208.

Badan Pusat Statistik. (2016). Makassar City in Figures 2016 (1102001.7371). Retrieved from Makassar:

Besag, J., York, J., & Mollié, A. (1991). Bayesian image restoration, with two applications in spatial statistics. Annals of The Institute of Statistical Mathematics, 43(1), 1-20.

Carrijo, T. B., & Da Silva, A. R. (2017). Modified Moran's I for Small Samples. Geographical Analysis, 49(4), 451-467. doi:10.1111/gean.12130

Cressie, N. A. C. (1993). Statistics for spatial data (Rev. ed. ed.). New York: Wiley.

Khaerati, R., Thamrin, S. A., & Jaya, A. K. (2020). Bayesian Conditional Autoregressive (CAR) dengan model localised dalam menaksir risiko DBD di Kota Makassar. Estimasi, 1(1), 21-31. doi:https://doi.org/10.20956/ejsa.v1i1.9298

Lee, D. (2013). CARBayes: an R package for Bayesian spatial modeling with conditional autoregressive priors. Journal of Statistical Software, 55(13), 1-24.

Lee, D., & Sarran, C. (2015). Controlling for unmeasured confounding and spatial misalignment in long‐term air pollution and health studies. Environmetrics, 26(7), 477-487.

Leroux, B. G., Lei, X., & Breslow, N. (1999). Estimation of Disease Rates in Small Areas: A new Mixed Model for Spatial Dependence. Statistical models in epidemiology, the environment, and clinical trials, 116, 179-191. doi:10.1007/978-1-4612-1284-3_4

Liberati, A., Altman, D. G., Tetzlaff, J., Mulrow, C., Gøtzsche, P. C., Ioannidis, J. P., . . . Moher, D. (2009). The PRISMA statement for reporting systematic reviews and meta-analyses of studies that evaluate health care interventions: explanation and elaboration. PLoS Medicine, 6(7), e1000100. doi:10.1371/journal.pmed.1000100

Martínez-Bello, D., Lopez-Quilez, A., & Prieto, A. (2017). Relative risk estimation of dengue disease at small spatial scale. International Journal of Health Geographics, 16, 1-15. doi:10.1186/s12942-017-0104-x

Martínez-Bello, D., López-Quílez, A., & Prieto, A. (2018). Spatiotemporal modeling of relative risk of dengue disease in Colombia. Stochastic environmental research and risk assessment, 32(6), 1587-1601. doi:10.1007/s00477-017-1461-5

Moher, D., Liberati, A., Tetzlaff, J., & Altman, D. G. (2009). Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. PLoS Medicine, 6(7), e1000097. doi:10.1371/journal.pmed.1000097

R Core Team. (2019). R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing. Retrieved from http://www.R-project.org

Spiegelhalter, D. J., Best, N. G., Carlin, B. P., & Van Der Linde, A. (2002). Bayesian measures of model complexity and fit. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 64(4), 583-639.

Watanabe, S. (2010). Asymptotic Equivalence of Bayes Cross Validation and Widely Applicable Information Criterion in Singular Learning Theory.


Article Metrics

Abstract view : 416 times | PDF view : 13 times

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Aswi Aswi, Sukarna Sukarna

Abstracted/Indexed by:

 

 

Prosiding Seminar Nasional Venue Artikulasi-Riset, Inovasi, Resonansi-Teori, dan Aplikasi Statistika (VARIANSI) is licensed under a Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)