简介：SaTScan 中文说明书面向公共卫生、流行病学与空间统计方向的研究人员和学生，解决英文文档阅读门槛高、软件上手困难的问题。SaTScan 是一款自由软件，通过空间、时间及时空扫描统计，用于地理疾病监测、疾病集群检测与统计显著性评估，也可应用于考古、生态、犯罪学等领域的聚集性分析。说明书系统梳理了离散与连续扫描数据的处理方式，涵盖泊松模型、伯努利模型、时空置换模型、多项式与序模型、指数模型及空间变化时间趋势模型，并说明如何调整背景人口、纳入协变量与处理数据缺失。资源包为1个doc文档，约485KB，内容紧凑，便于检索与打印。目前已有2805人学习下载，读者可借此快速理解软件原理、模型选择依据与参数含义，为疾病早期发现和异常聚集预警提供方法支撑。

1. 空间流行病学里的“显微镜”：SaTScan 中文说明书能帮你解决什么

如果你手头有一份县级或乡镇级的疾病发病数据，领导问你“这几个高发区域到底是不是巧合”，你大概率需要 SaTScan。它做的事情很具体：用空间扫描统计、时间扫描统计或时空扫描统计，判断疾病在空间、时间或时空维度上是否存在统计学显著的聚集。换句话说，它把“看起来多”变成“显著地多”。这份中文说明书的价值在于，它把原本散落在英文帮助文档、示例数据集和统计论文里的操作逻辑，整理成了能照着走的流程。适合公共卫生监测人员、流行病学研究者、生态与犯罪学等跨领域分析者，以及需要复现空间聚集分析的学生。你不需要先成为统计学家，但需要知道自己的数据长什么样、该选哪个概率模型。

2. 概率模型怎么选：从数据类型反推扫描统计模型

SaTScan 的模型选择不是拍脑袋，而是由你的数据形态决定的。说明书里把离散扫描和连续扫描分开讲，又把离散扫描细分成泊松、伯努利、时空置换、多项式、序、指数、正态等模型。选错模型，结果不是“不准”，而是根本不可解释。

2.1 离散扫描与连续扫描的分界线

离散扫描统计假设观测位置是固定的、非随机的。比如你手里有各县的病例数和人口数，县的地理位置就是固定的格点，你关心的是病例数在格点上的分布是否随机。连续扫描统计则假设观测位置本身是随机的，可能出现在研究区域内的任何地方。比如你在一个方形森林样地里记录鸟巢坐标，鸟巢可能出现在任何位置，你关心的是这些点是否独立随机分布。

判断标准很简单：如果你的数据已经聚合到行政区划、普查区、邮编区，用离散扫描；如果你有的是个体级别的精确坐标，且研究区域是一个连续的地理范围，用连续扫描。说明书里提到的连续泊松模型，就是为后者准备的。

2.2 泊松、伯努利与时空置换模型的适用场景

泊松模型适合“病例数 + 背景人口”的数据结构。比如某县某年某年龄组的发病人数和对应人口数。零假设下，每个区域的预期病例数与该区域人口成正比。说明书里的新墨西哥脑肿瘤数据集就是典型：病例文件记录各县各年龄组各性别的病例数，人口文件记录对应的人口数，坐标文件记录各县的直角坐标。

伯努利模型适合 0/1 数据，也就是每个观测要么是病例要么是对照。比如儿童白血病研究中，病例是确诊儿童，对照是随机选取的出生登记儿童。说明书里的亨伯赛德数据集就是纯空间伯努利模型，病例文件和对照文件分开，坐标文件记录每个位置标识的坐标。

时空置换模型只需要病例数据，不需要对照或背景人口。它通过置换病例的时空位置来评估聚集显著性。说明书里的纽约市发热急诊数据集就是时空置换模型：记录邮编、病例数、日期，坐标文件记录邮编对应的经纬度。这个模型会自动调整纯空间和纯时间聚集，所以没有纯时间或纯空间版本。

2.3 多项式、序、指数与正态模型的特殊要求

多项式模型用于分类数据，每个病例属于多个类别之一。比如脑膜炎病例按五个不同克隆物分类，扫描统计同时寻找任何类别或类别组合的聚集。序模型用于有序分类数据，比如乳腺癌早期、中期、晚期。如果只有两个类别，序模型等价于伯努利模型。序模型可以搜索高值聚集、低值聚集或同时搜索两者。

指数模型用于生存时间数据。每个病例有一个连续变量（诊断到死亡或删失的时间）和一个 0/1 删失指示变量。说明书特别提醒：时空指数模型里有两个时间变量，一个是诊断时间（扫描窗口扫描的维度），另一个是生存时间（病例的属性，不参与扫描）。正态模型用于连续数据，比如出生体重。如果每个区域的观测值是基于不同样本量的均值，需要用加权正态模型，权重可以是样本量或方差的倒数。

提示：模型选择错误是新手最常见的翻车点。拿到数据先问自己三个问题：位置是固定的还是随机的？有没有背景人口？结果是计数、0/1、分类、有序、生存时间还是连续值？答案会直接锁定模型。

3. 数据文件准备：cas、pop、geo、ctl 四类文件的格式与生成

SaTScan 的数据输入靠几个纯文本文件：病例文件（.cas）、人口文件（.pop）、坐标文件（.geo）、对照文件（.ctl）。说明书里给出了每个示例数据集的格式，但实际项目中你往往需要自己从 Excel 或数据库导出。这一章把格式规则拆开，并给出可复用的 Python 转换脚本。

3.1 病例文件与人口文件的列顺序

病例文件的格式取决于模型。以离散泊松模型为例，说明书里的 nm.cas 格式是：<县> <病例数=1> <年龄组> <性别>。注意这里的病例数如果是 1，表示该行代表一个病例；如果是聚合数据，则写实际病例数。人口文件 nm.pop 格式是：<县> <年> <人口> <年龄组> <性别>。年份、年龄组、性别这些变量必须与病例文件中的变量一一对应。

伯努利模型的病例文件和对照文件分开。nhumberside.cas 格式是：<位置编号> <病例数>，nhumberside.ctl 格式是：<位置标识> <对照数>。坐标文件 nhumberside.geo 格式是：<位置标识> <x> <y>。

时空置换模型的 nycfever.cas 格式是：<邮编> <病例数=1> <日期>，坐标文件格式是：<邮编> <纬度> <经度>。注意这里没有人口文件，因为模型不需要背景人口。

3.2 坐标文件的坐标系与精度

坐标文件支持直角坐标和经纬度。说明书里的新墨西哥数据集用直角坐标，纽约发热数据集用经纬度。经纬度坐标要注意：SaTScan 内部会把经纬度转换为球面距离，所以不要自己先投影成平面坐标再输入，除非你明确知道自己在做什么。直角坐标则要求 x 和 y 的单位一致，比如都是米或都是千米。

坐标精度方面，说明书里的示例数据精确到县、邮编或具体地点。实际项目中，如果你用的是个体坐标，注意不要引入隐私泄露风险。常见做法是聚合到普查区或邮编区，或者对坐标加随机偏移。

3.3 用 Python 把 Excel 转成 SaTScan 输入文件

下面这个脚本把一份包含县、年、年龄组、性别、病例数、人口数的 Excel 表，拆成 nm.cas、nm.pop、nm.geo 三个文件。假设 Excel 里有county、year、age_group、sex、cases、population、x、y这些列。

import pandas as pd # 读取原始数据 df = pd.read_excel("raw_data.xlsx") # 病例文件：县、病例数、年龄组、性别 cas = df[["county", "cases", "age_group", "sex"]].copy() cas.columns = ["county", "cases", "age_group", "sex"] cas.to_csv("nm.cas", sep=" ", index=False, header=False) # 人口文件：县、年、人口、年龄组、性别 pop = df[["county", "year", "population", "age_group", "sex"]].copy() pop.columns = ["county", "year", "population", "age_group", "sex"] pop.to_csv("nm.pop", sep=" ", index=False, header=False) # 坐标文件：县、x、y（每个县只保留一行） geo = df[["county", "x", "y"]].drop_duplicates(subset=["county"]) geo.columns = ["county", "x", "y"] geo.to_csv("nm.geo", sep=" ", index=False, header=False) print("文件已生成：nm.cas, nm.pop, nm.geo")

逻辑说明：病例文件保留每个县、每个年龄组、每个性别的病例数；人口文件保留对应的人口数；坐标文件按县去重，因为每个县只有一个地理坐标。参数方面，sep=" "表示用空格分隔，header=False表示不写列名，这是 SaTScan 要求的纯文本格式。如果你的数据里病例数是聚合的，cases列直接写总数；如果是个体数据，每行写 1。

注意：SaTScan 对空格和制表符敏感。如果生成的文件用逗号分隔，导入时会报错。建议用sep=" "或sep="\t"，并在文本编辑器里确认列对齐。

4. 避坑与排查：参数文件、时间精度和模型误用的血泪经验

这一章记录的是实际跑 SaTScan 时最容易翻车的几个点。说明书里不会把这些写成“常见问题”，但每个做过空间聚集分析的人大概都踩过。

4.1 参数文件选错导致结果完全不可解释

现象：打开保存的会话后，选了一个参数文件，跑出来的聚集区域和预期完全不符。原因：参数文件里绑定了模型类型、时间精度、扫描窗口大小等关键设置。如果你用泊松模型的参数文件去跑伯努利数据，软件可能不报错，但结果没有意义。解决：每次新建分析时，从“新建会话”开始，逐步选择模型、导入数据、设置参数，不要直接套用别人的参数文件。如果要用现成的，先检查参数文件里的模型类型和你的数据是否匹配。

4.2 时间精度设置不当导致扫描窗口错位

现象：时空分析中，聚集的时间范围看起来不对，或者软件提示时间单位错误。原因：SaTScan 要求指定时间精度，比如年、月、日。说明书里的新墨西哥数据集用“年”作为病例时间精度，纽约发热数据集用“天”。如果你把日度数据设成年精度，软件会把同一天的数据合并，扫描窗口也会按年滑动。解决：导入数据后，在时间精度设置里选择与数据实际粒度一致的单位。如果不确定，先看病例文件里的日期列格式，是1973还是2001/11/01。

4.3 坐标文件与病例文件的位置标识不匹配

现象：软件提示“位置标识在坐标文件中找不到”或类似错误。原因：病例文件里的位置标识（如县名、邮编）和坐标文件里的标识不一致，可能是大小写、空格、编码问题。解决：用脚本检查两个文件的标识集合是否完全一致。下面这段代码可以快速比对。

import pandas as pd cas = pd.read_csv("nm.cas", sep=" ", header=None, names=["county", "cases", "age", "sex"]) geo = pd.read_csv("nm.geo", sep=" ", header=None, names=["county", "x", "y"]) cas_ids = set(cas["county"].astype(str).str.strip()) geo_ids = set(geo["county"].astype(str).str.strip()) print("病例文件有但坐标文件没有：", cas_ids - geo_ids) print("坐标文件有但病例文件没有：", geo_ids - cas_ids)

逻辑说明：str.strip()去掉首尾空格，astype(str)统一转成字符串再比较。如果输出非空，就需要手动修正标识。

4.4 时空置换模型用于多年数据导致 P 值有偏

现象：用时空置换模型分析跨越好几年的数据，结果出现大量显著聚集，但仔细看是人口增长导致的。原因：说明书里明确警告，时空置换模型只使用病例数据，如果研究期间不同地区的人口增长速率不同，病例数的增加可能仅仅是因为人口增加，而不是疾病风险增加。解决：如果研究期间超过一年，尽量用泊松模型并提供逐年人口数据。如果必须用时空置换模型，把研究期间限制在一年以内，或者在结果解释时格外谨慎。

4.5 正态模型未加权导致小样本区域被过度放大

现象：用正态模型分析各区域的平均出生体重，小样本区域出现极端值，导致假聚集。原因：标准正态模型假设每个观测的方差相同，但小样本区域的均值方差更大。说明书里建议用加权正态模型，权重设为样本量或方差倒数。解决：在输入文件里增加一列权重，权重与样本量成正比。如果所有观测权重相同，加权模型退化为标准模型。

5. 从跑通示例到产出可解释结果：一个完整的验证习惯

跑通说明书里的示例数据集只是第一步。真正要交付的是可解释、可复现的分析结果。我一般会按下面的顺序走一遍，确保每一步都有据可查。

5.1 用示例数据验证软件安装与参数理解

安装完 SaTScan 后，先打开软件，点击“打开保存的会话”，选择说明书里提到的参数文件，比如纳米带（宝）对应的泊松模型参数文件。跑完后看输出窗口里的聚集列表、对数似然比、P 值。如果这些数字和说明书里的示例结果一致，说明软件安装和参数理解没问题。如果结果不一致，检查数据文件是否被修改过，或者参数文件里的路径是否指向了错误的数据文件。

5.2 用敏感性分析确认聚集不是参数偶然

确定主分析参数后，做几组敏感性分析。比如把最大扫描窗口从 50% 人口改成 30% 或 10%，看聚集区域是否稳定。如果聚集区域随窗口大小剧烈变化，说明结果不稳健。另一个敏感性分析是换模型：泊松模型和时空置换模型都跑一遍，看哪些聚集在两个模型下都显著。说明书里提到，时空置换模型会自动调整纯空间和纯时间聚集，所以它可以作为泊松模型的补充验证。

5.3 输出结果的解读与报告写法

SaTScan 的输出包括聚集区域的位置标识、半径、病例数、预期病例数、相对风险、对数似然比和 P 值。报告时不要只写“发现了显著聚集”，要写清楚：在哪个时间范围内、哪个地理区域、聚集了多少病例、预期多少、相对风险多少、P 值多少。如果用了多个模型，说明哪个模型是主分析，哪个是敏感性分析。如果聚集区域跨越多个行政区，用地图可视化会更直观，但注意不要泄露个体隐私。

5.4 我每次跑 SaTScan 都会强制走一遍的检查清单

从那以后我每次跑 SaTScan 都强制走一遍这个清单：第一，确认病例文件、人口文件、坐标文件的位置标识完全一致；第二，确认时间精度与数据粒度匹配；第三，确认模型类型与数据类型匹配；第四，跑一遍示例数据验证软件状态；第五，做至少两组敏感性分析；第六，输出结果里同时保留对数似然比和 P 值，不只看 P 值。这套习惯帮我省掉了至少三次返工。希望帮到你。

本文还有配套的精品资源，点击获取