一种识别时空有序分类数据变点的贝叶斯方法：以COVID-19数据为例
统计方法学
2023-05-04 v1 应用统计
摘要
尽管关于连续时空过程结构变化识别的文献颇为丰富，但针对分类时空数据的研究则不然。本文弥补了这一空白，提出了一种用于识别有序分类数据变点的新型时空模型。该模型利用加性均值结构，并对潜变量采用可分离的Gaussian时空过程。我们提出的方法能够检测均值结构以及时空协方差结构中的显著变化。我们通过贝叶斯框架实现该模型，相较于传统方法具有计算优势。从应用角度看，该方法处理有序分类数据的能力在真实应用中提供了额外优势。我们使用美国纽约州按县划分的COVID-19数据（根据CDC指南转换为类别）说明了这一点。我们的模型识别出COVID-19传播水平的三个变点，它们确实与疫情期间特定变异株引起的“浪潮”相吻合。研究结果还就疫苗接种的影响以及疫情不同阶段时空依赖的程度提供了有趣的见解。
引用
@article{arxiv.2305.01906,
title = {A Bayesian approach to identify changepoints in spatio-temporal ordered categorical data: An application to COVID-19 data},
author = {Siddharth Rawat and Abe Durrant and Adam Simpson and Grant Nielson and Candace Berrett and Soudeep Deb},
journal= {arXiv preprint arXiv:2305.01906},
year = {2023}
}