Co-evolution of human and technology
都道府県別の熱中症搬送人員数の予測と実際をEXCELの組み合わせグラフで描くでは独立変数として日最高気温，日平均水蒸気圧，65歳以上人口，人口密度を投入し都道府県別の熱中症搬送人員数を予測した．以前の記事ではe-Statからの社会疫学的指標を加えて熱中症搬送人員数を分析した．社会疫学的指標としては日最高気温，日平均水蒸気圧，都道府県人口に加えて過去30日間の平均気温，エアコン保有台数，年間収入のジニ係数，光熱・水道費，実収入，第1次産業就業者比率，第2次産業就業者比率，都市公園数，都市緑化割合，自然公園割合，自然公園数，生活保護被保護人員である．
今回は社会疫学的指標を独立変数として加えた熱中症搬送人員数の予測と実際を示す．
前回はマルコフ連鎖モンテカルロ法にて熱中症搬送人員数をベイズ推定した．今回は空間相関を考慮した一般化線形モデル（ポアソンCARモデル）で熱中症搬送人員数をベイズ推定しようと試みた．結論から言うとうまく行っていない．途中でエラーが出てモデル構築に失敗する．その経過を記事とした．
空間統計を勉強している．空間相関を考慮した一般化線形モデルが地域ごとのカウントデータやバイナリーデータをモデル化するために提案されている．今回はCARモデルを扱う．CARBayesでは空間相関を考慮しない通常のポアソン回帰モデルも扱えたため備忘録として公開する．
これまでの記事で日最高気温と平均水蒸気圧，各都道府県65歳以上人口および月から熱中症の搬送人員数を予測する回帰式の回帰係数を推定してきた．
今回はその回帰式を元に実際のデータと比較してみたい．対象は2019年の47都道府県とする．
以前の記事では都道府県人口の対数をオフセット項として一般化線形回帰分析を行った．実際のところ，年代別の搬送人員としては65歳以上の高齢者が圧倒的に多い．そのため，東京など労働人口の多いところでは予測性能が悪化する可能性がある．今回はオフセット項の都道府県人口を3区分に分け，65歳以上人口の対数をオフセット項として採用してみたところ予測性能が改善したと思われたので記事とした．
前回の記事（国土数値情報の令和2年の医療圏データの文字化けが直っていた）では国土数値情報の医療圏データで四苦八苦した様子を掲載した．今回は二次医療圏テーブルの文字化けの解決を試みる．