《表1 ASD的研究及其模型对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《空间信息技术应用于自闭症谱系障碍研究的进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在发现ASD的空间聚集性之后，需要选择合适的数学模型进行分析，找出可能的危险因素。表1中总结了5个运用空间分析进行的ASD研究及其模型。Hoffman等[21]的研究是基于2年ADDM网络的记录进行分析，为了有效解释ASD发病人数与自变量间复杂的非线性关系，选择广义相加模型进行数据处理。广义相加模型是对传统广义线性模型的非参数拓展，在研究中通过构建基础模型、确定自由度、构建效应变量模型、模型的比较与评价以及相关参数的解释5个步骤较好地分析了ASD的发病率与自变量之间的关系。Pinborough-Zimmerman等[23]的研究数据来自对美国犹他州ASD登记处的8岁儿童档案的调查，是一项回顾性病例对照研究，该研究符合普通线性回归模型的分析条件，因此将是否患ASD设为因变量，将其他影响因素设为自变量，进行多个单变量的logistic回归分析，最终得出结论。Van Meter等[25]将一个时间段内的ASD发病率作为因变量，因为ASD发病人数相对于整个队列人群人数来说是接近泊松分布的小概率事件，所以建立二元泊松回归模型，二元泊松回归模型适用于分析ASD与环境因素中的离散二维数据之间的相关性。二元泊松回归模型的适用性较强，结果的可信度高于logistic回归分析模型。King等[28]对加利福尼亚州的一组ASD患者进行出生队列研究，因自变量为多个，故适用多元logistic回归，亦将ASD设为因变量，结果发现父母的年龄、社会经济地位、种族、职业是ASD的影响因素。Lewandowski等[29]研究德克萨斯州4年中官方教育机构发布的ASD的患病情况，研究方法为生态学研究。生态学研究中包含多种多元离散数据的分析，而多元泊松分布克服了泊松分布均值等于方差的局限性，适合于此类分析；同时也能够很好地拟合诸如二项分布，负二项分布等生态学研究中常见模型。