1. 分布式滞后非线性模型(DLNM)入门指南
想象一下这样的场景:某城市连续几天出现雾霾天气,医院呼吸科门诊量却在雾霾结束后才开始激增。这种"延迟发作"的现象在环境健康研究中非常常见,传统统计方法很难捕捉这种复杂的时间延迟效应。分布式滞后非线性模型(DLNM)正是为解决这类问题而生。
DLNM的核心优势在于它能同时处理两种复杂关系:一是暴露因素(如PM2.5浓度)与健康结局(如住院率)之间的非线性关联,二是这种关联随时间变化的滞后模式。举个例子,高温对心血管疾病的影响可能在3天后达到峰值,而空气污染的影响可能持续一周以上。
在R语言中,dlnm包提供了完整的DLNM实现方案。这个包由环境流行病学专家Gasparrini团队开发,已经成为研究空气污染、气候变化与健康关系的标准工具。我刚开始接触这个包时,被它的灵活性惊艳到了——通过组合不同的基函数,几乎可以模拟任何形状的暴露-滞后-反应关系。
2. 环境准备与数据加载
2.1 软件安装与配置
工欲善其事,必先利其器。我推荐使用RStudio作为开发环境,它的交互式界面能让分析过程更加顺畅。安装R时有个小技巧:直接从官网下载可能速度很慢,建议使用国内镜像源。在R控制台运行以下代码设置清华镜像:
# 设置CRAN镜像
options(repos = c(CRAN = "https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
# 安装必要包
install.packages(c("dlnm", "splines", "plotly"))
安装路径要特别注意——千万别用中文路径,否则可能会遇到各种奇怪的错误。这是我踩过的坑,曾经花了半天时间排查一个报错,最后发现只是因为路径中有个中文字符。
2.2 数据探索与预处理
典型的空气污染健康数据包含日期、健康结局(如死亡数、门诊量)、污染指标(PM2.5、PM10等)和气象数据(温度、湿度)。我们先加载示例数据看看结构:
library(dlnm)
data(chicagoNMMAPS)
head(chicagoNMMAPS)
# 输出示例:
# date death temp dptp rhum pm10 o3
# 1 1987-01-01 130 -0.28 31.5 95.5 26.96 4.38
# 2 1987-01-02 150 0.56 29.9 88.2 NA 4.93
数据中常见的挑战是缺失值处理。对于PM10这样的污染指标,缺失值很常见。简单的处理方法包括线性插值或使用前后几天的平均值。但要注意,如果连续缺失超过3天,最好视为数据缺口:</
699



被折叠的 条评论
为什么被折叠?



