Person:
Urdangarin Iztueta, Arantxa

Profile Picture

Email Address

person.page.identifierURI

https://academica-e.unavarra.es/handle/2454/50107

Birth Date

Research Projects

Organizational Units

Job Title

Last Name

Urdangarin Iztueta

First Name

Arantxa

person.page.departamento

Estadística, Informática y Matemáticas

person.page.instituteName

InaMat2. Instituto de Investigación en Materiales Avanzados y Matemáticas

ORCID

0000-0002-9101-6459

person.page.upna

811962

Name

Filters

2022 - 20242
Reset filters

Settings

End date: 2024 × Subject: Disease mapping ×

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    PublicationOpen Access
    Advances in the estimation of fixed effects in spatial models with random effects
    (2024) Urdangarin Iztueta, Arantxa; Goicoa Mangado, Tomás; Ugarte Martínez, María Dolores; Estadística, Informática y Matemáticas; Estatistika, Informatika eta Matematika
    La representación cartográfica de enfermedades permite estimar indicadores de salud específicos para áreas geográficas dentro de una región de estudio. Aunque el objetivo principal suele ser proporcionar las tasas/riesgos de incidencia o mortalidad de enfermedades como el cáncer, existen otras aplicaciones. Por ejemplo, el análisis de crímenes contra las mujeres en India. La mayor parte de la investigación en la representación cartográfica de enfermedades usa modelos mixtos de Poisson jerárquicos bayesianos que incorporan la dependencia espacial o temporal para suavizar los riesgos y reducir la variabilidad de los estimadores clásicos de los riesgos como las razones de incidencia/mortalidad estandarizadas (RIE/RME). Sin embargo, los modelos de representación cartográfica de enfermedades tienen algunos inconvenientes. Aquí nos centramos en dos de estas limitaciones. En primer lugar, estos modelos en general no son identificables y se requieren restricciones en el proceso de estimación para obtener resultados razonables. El segundo problema es la confusión espacial y está relacionado con la inclusión de covariables en los modelos. Si las covariables tienen estructura espacial, su asociación con la respuesta puede no estimarse bien debido al sesgo y la inflación de la varianza. El objetivo principal de esta tesis es doble. Por un lado, abordaremos la complejidad de incorporar restricciones de suma cero para resolver los problemas de identificación al ajustar modelos espacio-temporales ampliamente utilizados en la representación cartográfica de enfermedades utilizando NIMBLE (de Valpine et al., 2017), un sistema para crear modelos estadísticos en R que permite ajustar modelos jerárquicos bayesianos utilizando un sistema configurable de algoritmos MCMC. Por otro lado, nos centraremos en la confusión espacial, con el objetivo de proponer un método que garantice estimaciones adecuadas de efectos fijos. La presente tesis está dividida en cuatro capítulos diferentes. El primer capítulo proporciona una introducción general sobre los problemas que se van a bordar en esta tesis y el resto de los capítulos profundizan en esos problemas. Esta tesis se cierra con una sección final que resume los principales resultados e introduce algunas ideas para futuras investigaciones.
  • Thumbnail Image
    PublicationOpen Access
    Space-time interactions in bayesian disease mapping with recent tools: making things easier for practitioners
    (Edward Arnold, 2022) Urdangarin Iztueta, Arantxa; Ugarte Martínez, María Dolores; Goicoa Mangado, Tomás; Estatistika, Informatika eta Matematika; Institute for Advanced Materials and Mathematics - INAMAT2; Estadística, Informática y Matemáticas
    Spatio-temporal disease mapping studies the distribution of mortality or incidence risks in space and its evolution in time, and it usually relies on fitting hierarchical Poisson mixed models. These models are complex for practitioners as they generally require adding constraints to correctly identify and interpret the different model terms. However, including constraints may not be straightforward in some recent software packages. This paper focuses on NIMBLE, a library of algorithms that contains among others a configurable system for Markov chain Monte Carlo (MCMC) algorithms. In particular, we show how to fit different spatio-temporal disease mapping models with NIMBLE making emphasis on how to include sum-to-zero constraints to solve identifiability issues when including spatio-temporal interactions. Breast cancer mortality data in Spain during the period 1990-2010 is used for illustration purposes. A simulation study is also conducted to compare NIMBLE with R-INLA in terms of parameter estimates and relative risk estimation. The results are very similar but differences are observed in terms of computing time.