The statistical Bayesian approach is widely used in disease mapping and Poisson regression. Results differ depending on the underlying hypothesis. Our objective is to give a comprehensive presentation of the tools that can be used to interpret results and choose between the different hypotheses. Data from the Isere cancer registry (France) illustrate this presentation.

We consider, first, Bayesian models for disease mapping. Classic heterogeneity (Potthoff-Whithinghill statistic) and spatial autocorrelation tests (Moran statistic) of the SIRs, the DIC criteria of the different Bayesian models and finally the comparison of the empirical variance of the unstructured and structured heterogeneity components of the BYM model are considered. The last two criteria are considered for Bayesian Poisson regression including a covariate. Mapping the components of the BYM model with a covariate is also considered.

Four cancer sites (prostate, lung, colon-rectum and bladder) in men diagnosed during the 1998–2007 period are used to illustrate our presentation. We show that the different criteria used to interpret and to choose a model give coherent results.

A relevant interpretation of results is a necessary step in choosing the best-adapted Bayesian model. This choice is easy to make with criteria such as the DIC. The comparison of the empirical variance of the unstructured and structured heterogeneity components of the BYM model is also informative.

L’approche statistique bayésienne est largement utilisée en cartographie et en régression de Poisson. Les estimations diffèrent selon les hypothèses choisies. Notre objectif est de fournir une présentation des outils qui peuvent guider l’interprétation des résultats et le choix des hypothèses a priori. Les données du registre du cancer de l’Isère (France) servent d’illustration.

Nous considérons dans un premier temps les modèles bayésiens dans le contexte de représentations cartographiques. Les statistiques classiques de mesure de l’hétérogénéité des SIR (statistique de Potthoff-Whithinghill) et de l’autocorrélation spatiale (statistique de Moran) des SIR, le critère DIC de mesure de l’ajustement des différents modèles bayésiens et la comparaison des variances empiriques correspondant aux composantes d’hétérogénéité et de structuration spatiale du modèle BYM sont envisagés. Les deux derniers critères sont pris en compte dans le cadre d’un modèle de régression prenant en compte une variable explicative. La représentation cartographique des composantes du modèle BYM correspondant est également réalisée.

Quatre localisations cancéreuses (prostate, poumon, côlon-rectum et vessie) chez les hommes diagnostiqués durant la période de diagnostic 1998–2007 servent d’illustration. Nous montrons que les différents critères conduisent à des résultats cohérents.

Une interprétation précise des résultats est une étape indispensable pour le choix d’un modèle bayésien adapté. Ce choix est aisé avec le critère DIC. La comparaison des variances des composantes structurées et non structurées spatialement du modèle BYM s’avère également utile.