Epidemic Human Immunodeficiency Virus (HIV) due to its rapid spread and deep influence has been a unique phenomenon in the near history. The virus has been existing all over the world, the spread of infection is both dynamic and complex. Epidemics are a geographical phenomenon with a certain extent. Most of the factors that can be linked to the epidemic are also geographically dependent. Considering that, the Geographic Information System (GIS) can be an important tool in studying the phenomenon.The pilot study spatially predicted HIV level and investigated to what extent this is possible and how the process may look like. The focus of the study was on the technical part, to evaluate the method. The pilot study mainly used the GIS-tool Geographically Weighted Regression (GWR), which is based on regression analysis. The regression type that was used was multiple linear regression that uses a dependent variable and several explanatory variables. The method assumes that the dependent variable can be explained by several variables that have a linear relationship to the dependent variable.The study area of the pilot study is Tanzania, a country located in eastern Africa. Tanzania has large socio-economic gaps and varying levels of HIV between regions. HIV data used in the pilot study comes from the Tanzania HIV Impact Survey (THIS) and the data for other variables comes from The Demographic and Health Surveys (DHS) Program. The HIV model is explained on the basis of four factors: undernourished children, circumcised men, and people with only primary education and households that own agricultural land.The first step in the implementation was data preparation, the next step was to conduct a global analysis using the Ordinary Least Squares (OLS) method. Followed by a geographic analysis with the GWR tool. The last step was to implement predictions using the created model. Four control regions in Tanzania were predicted, the model was also tested in five other African countries. The OLS analysis generates an Adjust R-Squared value of 0,436 which is a measure of the model's explanatory value of HIV. The same value for the GWR analysis was 0,502. The transition to GWR provided an improvement. Two out of four control regions in Tanzania provide accurate results. The same model also predicts relatively well in other African countries. The pilot study's results are limited by low data resolution and limited identification of HIV factors. With higher data resolution and better assurance of HIV factors, more accurate and detailed HIV predictions can be achieved. The pilot study's conclusion is that HIV predictions that obtain credible results are possible with the help of GIS-based analysis tools. As a suggestion for improvement, more high-resolution data is recommended, preferably as points. This would give the analysis better conditions for more accurate and detailed predictions. / Epidemin Human Immunodeficiency Virus (HIV) är ett unikt fenomen i historisk närtid. Med avseende på dess snabba spridning och djupa påverkan. Den finns representerad i världens samtliga länder, smittspridningen är både dynamisk och komplex. Epidemier är ett geografiskt fenomen med en viss utbredning. Flertalet av de faktorer som kan kopplas till epidemin är även de geografiskt beroende. Därför kan Geografiskt Informations System (GIS) vara ett viktigt verktyg i studier av fenomenet.Förstudien ska spatialt prediktera HIV-nivå samt utreda i hur stor utsträckning detta är möjligt och hur processen kan se ut. Tyngdpunkten i studien kommer att ligga på den tekniska delen, att utvärdera metod. Förstudien använder främst GIS-verktyget Geographically Weighted Regression (GWR) som är baserade på regressionsanalys. Regressionstypen är multipel linjär regression som använder sig av en beroende variabel och flera förklarande variabler. Metoden antar att den beroende variabeln behöver förklaras med flera variabler som har en linjär relation till den beroende variabeln.Förstudiens studieområde är Tanzania, ett land beläget i östra Afrika. Tanzania har stora socioekonomiska klyftor och varierande HIV-nivåer mellan regionerna. HIV-data som används i förstudien kommer från Tanzania HIV Impact Survey (THIS) och data för övriga variabler kommer från The Demographic and Health Surveys (DHS) Program. HIV-modellen förklaras utifrån fyra faktorer: undernärda barn, omskurna män, personer med enbart grundskoleutbildning samt hushåll som äger jordbruksmark.Första steget i genomförandet var dataförberedelser, nästa steg var att utföra en global analys med metoden Ordinary Least Squares (OLS). Därefter genomfördes en geografisk analys med verktyget GWR. Sista steget var att genomföra prediktioner med den skapade modellen. Fyra kontroll-regioner i Tanzania predikterades, modellen testades även på fem andra afrikanska länder. OLS-analysen genererar ett Adjust R-Squared-värdet på 0,436 som är ett mått på modellens förklarings-värde av HIV. Samma värde för GWR-analysen landade på 0,502, övergången till GWR gav en förbättring. Två av fyra kontrollregioner i Tanzania ger träffsäkra resultat. Samma modell predikterar även relativt bra i andra afrikanska länder. Förstudiens resultat begränsas av låg dataupplösning samt begränsad identifiering av HIV-faktorer. Med högre dataupplösning och bättre säkerhetsställande av HIV-faktorer kan mer träffsäkra och detaljerade HIV-prediktioner uppnås.Förstudiens slutsats är att det är möjligt i viss utsträckning att erhålla trovärdiga HIV-prediktioner med GIS-baserade analyseringsverktyg. Som förbättringsförslag rekommenderas mer högupplöst data, helts i punktform. Det skulle ge analysen bättre förutsättningar för mer träffsäkra och detaljerade prediktioner.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kau-74514 |
Date | January 2019 |
Creators | Sandin, Oscar |
Publisher | Karlstads universitet, Institutionen för miljö- och livsvetenskaper (from 2013) |
Source Sets | DiVA Archive at Upsalla University |
Language | Swedish |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0028 seconds