R语言分时滞后模型时间序列分析在空气污染与健康领域的应用（2）

气温对健康影响的滞后性已得到公认。传统的GLM 与 GAM 模型在分析空气污染与健康效应之间的关系时，只考虑到当天气温的影响，没有考虑其他滞后时间气温的混杂作用.
上一章我们使用广义线性模型( generalized linear models，GLM)与广义相加模型(generalized additive model，GAM)对空气污染与死亡率进行了分析，今天我们继续使用分时滞后模型时间序列分析对空气污染与死亡率进行了分析。
我们使用美国芝加哥1987年至 2000年大气污染与死亡数据（公众号回复：芝加哥2，可以获得数据）做实例分析，我们先导入需要的R包和数据看看

library(dlnm)
library(splines)
library(tsModel)
bc<-read.csv("E:/r/test/chicago.csv",sep=',',header=TRUE)

我们先来看看数据的构成，death：死亡人数 (per day)，pm10：大气污染物pm10的中位数值，pm25median，o3median：二氧化硫的中位数值，time：天数，这里就是我们的时间，tmpd：华氏温度，date：日期
我们先对数据进行转换

bc$pm10lag01<-runMean(bc$pm10,0:1)###产生 pm10lag01变量，赋值为过去两天大气PM10浓度的移动均值

然后，我们先来运行crossbasis() 来构建交叉基矩阵，lag 设置变量的最长滞后时间，argvar = list( )、arglag = list( )分别为针对变量及其滞后时间的参数设置，fun 表示调用的函数，常用的函数包括 ns(自然立方样条函数)、bs(B 样条函数)、thr(阈值函数)等;cen设置参考值。此处假定气温的最长滞后时间 lag 为 15天，参考值取 21℃，且气温在每个滞后时间的效应一致。

cb1.temp <- crossbasis(bc$temp,lag=15,
                       argvar=list(fun = "ns",df =3,cen =21),arglag=list(fun="strata"))

查看矩阵信息

summary(cb1.temp )

建立模型

model1<-glm(death ~ pm10lag01+ cb1.temp + ns(time, 7*14) + dow,
              family=quasipoisson(), bc)

解析模型

summary(model1)

pm10lag01的P值小于0.05，有统计学意义，提取系数和死亡的超额危险度 EＲ计算和上一章一样，我这里就简单代码过度了，我们这里要注意一下，你要根据自己数据的位置设置提取数据的矩阵

b<-summary(model1)$coeff[2,1]#提取系数
se<-summary(model1)$coeff[2,2]#提取标准误
ER<-(exp(b*10)-1)*100 ####计算 PM 10每升高 10μg /m 3 ，死亡的超额危险度ER
ERlp<-(exp((b-1.96*se)* 10)-1)*100 #计算95%CI
ERup<-(exp((b+1.96*se)* 10)-1)*100 #计算95%CI

可以看出，虽然是不同的模型，但是计算出来的结果和广义可加模型计算出来的还是很相似的。
生成预测值

pred1.pm <- crosspred(cb1.temp, model1, at=0:20, bylag=0.2, cumul=TRUE)

绘图

plot(pred1.pm, xlab="temp", main="3D: default perspective")

参考文献

mgcv包解释文件
tsModel包解释文件
杨敏娟, 潘小川. 北京市大气污染与居民心脑血管疾病死亡的时间序列分析[J]. 环境与健康杂志, 2008(4):4.
邓建明, 秦伯强, 王博雯. 广义可加模型在R中的快捷实现及蓝藻水华预测分析中的应用[J]. 生态学杂志, 2015, 34(3):8.
向伟. 广义可加模型在出生缺陷影响因素分析中的应用及R语言实现过程[J]. 中国妇幼保健, 2014, 29(29):5.
张云权, 朱耀辉, 李存禄,等. 广义相加模型在R软件中的实现[J]. 中国卫生统计, 2015, 32(6):3.
殷文军, 彭晓武, 宋世震,等. 广州市空气污染与城区居民心脑血管疾病死亡的时间序列分析[J]. 环境与健康杂志, 2012, 29(6):6.
路凤, 李亚伟, 李成橙,等. 时间序列分析在空气污染与健康领域的应用及其R软件实现[J]. 中国卫生统计, 2018, 35(4):4.