开发一个模型可以预测该县所有点的污染水平，然后对这些值进行平均，作为县平均水平的代表。 这个问题在空间统计中是众所周知的，被称为空间错位或支持变化。污染和健康数据的错位是这里上下文的不匹配，是由于我们对每种类型的数据使用不同的测量方案而产生的。因此，我们必须调用假设或统计模型来将两者联系起来。 代表性假设更容易做到，因为它不需要额外的工作，但如果污染值不能代表人口暴露，则可能会在问题中引入未知的不确定性。如果污染物本质上是区域性的并且在空间上是均匀的，则该假设可能是合理的。但如果存在许多引入空间异质性的超局部污染源，则该假设将无效。
统计建模方法更实用
但它很简单（原则上），并且可以提供明确表征建模引入的不确定性的能力。在这两种情况下，绑定数据集都需要付出统计代价。 数据绑定是发现上下文差异的常见位置，因为很少 波兰手机号码列表 在收集不同数据集时考虑到其他数据集。因此，应仔细注意收集每组数据的上下文，以及应更多地做出哪些假设或模型以实现上下文兼容性。 示例：GAM 危机 研究空气污染水平与健康结果之间的急性或短期关联的一种常见方法是通过时间序列分析。总体思路是，它采用通常来自 EPA 监测器的一系列临时空气污染水平，然后将其与感兴趣人群的某些健康结果（通常是死亡）的时间序列相关联。当然，困难的部分是适应可能混淆空气污染与健康结果之间关系的各种因素。虽然有些因素可以直接测量和调整（例如温度、湿度），但其他因素是无法测量的，我们需要找到合理的动力来调整它们。
研究人员开始使用广义加
性模型来解释空气污染时间序列模型中暂时未测 电话号码 量的混杂因素。对于 GAM，它本身可以包含软时间功能，以便能够调整任何可能混淆空气污染与健康之间关系的可变时间因素。这不是一个完美的解决方案，但却是一个合理且高度灵活的解决方案。S-PLUS 软件已经有了很好的实现，可以使用现有数据轻松执行，这并没有什么坏处。到，大多数研究人员已经标准化了 GAM 方法在空气污染时间序列研究中的使用。 2002 年，约翰·霍普金斯大学的研究人员发件在预定收敛标准方面存在问题。问题在于，用于确定用于拟合模型的调整算法是否收敛的预定收敛标准被设置为这对于大多数 GAM 应用程序来说已经足够了。
