English Abstract Researchers in the environment and public health can
analyse time series rapidly and efficiently using the computer program,
NPBats. The annual CO2 emission or the total number of people confronted
with overweight are examples. Using these analyses, researchers can 1)
detect systematic changes in time (trends), 2) explain the relations between
different time series and 3) obtain knowledge on the influence of
governmental policy on humans and the environment. NPBats uses Bayesian
statistical concepts to describe the correlation between subsequent
observations in time, obtained through the so-called 'prior' models. The
simplest prior model is the neighbour model. This model assumes that the
difference between two subsequent observations has an expectation zero and a
fixed, limited variation. Two other models used by NPBats are the linear
and the quadratic models. These models enable NPBats to predict a future
observation using 1, 2 or 3 of the preceding observations. Therefore NPBats
is more flexible than the usual, classical models for analysing time series.
NPBats can already be used for time series with at least 8-10 observations.
Missing values can be estimated automatically and changes in the variation
of the observations can be taken into account. Co-variables might be
included in the model too. These variables augment the knowledge of the
underlying process and improve the predictions. NPBats automatically
generates confidence intervals for the predictions, thus clarifying the
statistical significance of an increasing or decreasing trend. NPBats
developed at the RIVM within the statistical package, S-PLUS, is easy to use
and contains a comprehensive help function. At the RIVM NPBats is available
to the S-PLUS user group and to other interested people on
request.
Rapport in het kort
Onderzoekers van milieu en volksgezondheid kunnen met
het computerprogramma NPBats snel en efficient gegevens in de tijd
(tijdreeksen) analyseren. Voorbeelden zijn de jaarlijkse CO2-uitstoot of
het aantal mensen met overgewicht in Nederland. Met de analyses kunnen ze
a) systematische veranderingen in de tijd (trends) opsporen b) verklarende
relaties tussen tijdreeksen leggen c) kennis vergaren over de invloed van
overheidsbeleid op mens en milieu. NPBats maakt gebruik van Bayesiaanse
statistiek om de samenhang tussen opeenvolgende waarnemingen te beschrijven.
Dit gebeurt via zogeheten 'prior' modellen. Deze modellen maken het
mogelijk om op basis van respectievelijk een, twee en drie direct
voorafgaande waarnemingen de volgende waarneming te voorspellen. Hierdoor
is NPBats flexibeler dan de klassieke tijdreeksmodellen en kan het al
gebruikt worden bij 8-10 waarnemingen. Ontbrekende waarnemingen worden
automatisch geschat. Extra verklarende variabelen kunnen aan het model
worden toegevoegd. Dit vergroot de kennis over het proces in het verbetert
de voorspellingen. Daarbij geeft NPBats automatisch de betrouwbaarheid van
de voorspellingen aan. Hierdoor wordt duidelijk of een trend significant
stijgt of daalt. NPBats is ontwikkeld door het RIVM in het statistische
softwarepakket S-PLUS, heeft een gemakkelijke bediening en een uitvoerige
helpfunctionaliteit. NPBats is binnen het RIVM beschikbaar via de S-PLUS
gebruikersgroep en is voor overige belangstellenden op aanvraag te
verkrijgen.
