In dieser Arbeit werden räumliche und zeitliche Strukturen epidemiologischer Daten mittels moderner Bayes-Verfahren analysiert. Als Glättungsprioris finden hauptsächlich autoregressive Verteilungen wie Gauss-Markov-Zufallsfelder und Random Walks Verwendung.
Derartige komplexe Modelle können nur mit MCMC-Methode geschätzt werden. Es werden effiziente Algorithmen vorgestellt, welche die Schätzung der Parameter in annehmbarem Zeitbedarf zulassen. Insbesondere für die Modellierung von Raum-Zeit-Interaktionen sind diese Algorithmen wichtig.
Als Anwendung räumlicher Bayesianischer Modelle wird die Analyse von Daten zur Inzi- denz von Wildtierkrankheiten vorgestellt. An einem Datensatz zur Kindersterblichkeit wer- den diskreter und stetiger Ansatz räumlicherr Analyse verglichen. Alters-Perioden-Kohorten-Modelle werden ausführlich beschrieben und auf räumliche Probleme erweitert. Schließlich wird für infektiöse Krankheiten ein stochastisches Modell mit räumlich-zeitlichen Elementen beschrieben.