Spatial data modeling can provide significant value to healthcare organizations by improving decision support, resource management and distribution, and clinical outcomes. The aim of this study was to (i) summarize the trends of the modeling techniques used to analyze point-referenced spatial data in epidemiology and (ii) examine if all information required when applying these modeling techniques were properly reported in the published papers. A literature search was limited to journal papers published from January 2010 to June 2022 using PubMed, Scopus, Crossref, and Google Scholar. From 528 articles identified with the defined keywords, 351 were retained for the review. The results revealed that the use of modeling techniques in spatial data for infectious diseases increases exponentially over time. The most common spatial method was Empirical Bayesian Kriging [EBK] (52% of the selected articles), followed by Spatial GLMMs (34%) and Spatial smoothing Kernel Estimation (13%).

La modélisation des données spatiales peut apporter une valeur significative aux organisations de santé pour la prise de décision en matière de recherche clinique. L'objectif de cette étude avait pour but (i) d'étudier les tendances des techniques de modélisation utilisées pour analyser les données spatiales ponctuelles en épidémiologie et (ii) de voir si toutes les informations requises lors de l'application de ces techniques étaient correctement rapportées dans les articles publiés. Une recherche documentaire a été limitée aux articles publiés entre janvier 2010 et juin 2022 en utilisant PubMed, Scopus, Crossref et Google Scholar. Sur les 528 articles identifiés à l'aide des mots-clés définis, 351 ont été retenus. Les résultats ont révélé que l'utilisation de ces techniques de données spatiales augmente de façon exponentielle. La méthode spatiale la plus courante est le krigeage bayésien empirique [EBK] 52%, suivi par le GLMM spatial (34%) et l'estimation par noyau de lissage spatial (13%)

Using joint-life last-survivor annuities data, we conduct an analysis of the joint lifetime dependence. In the current paper, we apply the Gumbel copula and compare it to the Clayton copula approaches to address dependence effects. The method of moments procedure is used to calibrate the copula dependence parameter and maximum likelihood estimation for the marginal specifications. Subsequently, the performance of the marginals is compared following the criteria values. The findings show that the Gumbel copula with logistic marginals appropriately accounts for the dependence effects. These research findings have significant implications for the valuation of joint-life policies to avoid pricing error.

A l'aide des données sur les rentes du dernièr survivant en l'assurance vie conjointe, nous effectuons une analyse de la dépendance conjointe à vie. Dans le présent article, nous appliquons la copule de Gumbel et la comparons aux approches de la copule de Clayton pour traiter les effets de dépendance. La méthode des moments est utilisée pour calibrer le paramètre de dépendance à la copule et l'estimation du maximum de vraisemblance pour les spécifications marginales. Par la suite, la performance des marges est comparée selon les valeurs des critères. Les résultats montrent que la copule de Gumbel avec des margines suivant une loi logistique tient compte de manière appropriée des effets de dépendance. Ces résultats de recherche ont des implications importantes pour l'évaluation des polices d'assurance vie conjointe afin d'éviter les erreurs de prix

This study compares the performance of CART, C5.0 and Random Forest (RF) algorithms. 25 continuous predictors and 25 factors were simulated using a population size of 10,000. Based on this data, sample data were generated by varying the number of predictors, the proportion of categorical versus continuous predictors and the sample size. The performance of the tree algorithms increases with sample size and the number of variables, but for RF, it is highly greater than the one of CART and C5.0. Irrespective of the algorithms, the performance decreases when there are more categorical variables than continuous variables.

La présente étude compare les performances des algorithmes CART, C5.0 et Random Forest (RF). 25 prédicteurs continus et 25 facteurs ont été simulés à partir d'une population de taille 10000. Sur la base de ces données, des échantillons ont été générés en faisant varier le nombre de prédicteurs, la proportion de prédicteurs catégoriels par rapport aux prédicteurs continus et la taille de l'échantillon. La performance des algorithmes augmente avec la taille de l'échantillon et le nombre de variables. Celle de textitRF est nettement supérieure à celle de CART et de C5.0. Indépendamment des algorithmes, la performance diminue lorsqu'il y a plus de variables catégorielles que de variables continues.