面向时空感染数据的链接混合模型及其在COVID疫情中的应用
应用统计
2022-02-22 v1
摘要
感染计数的时空模型通常遵循更广泛的疾病制图文献的主题，但可能需要处理时空感染数据的特定特征，包括显著的时间波动（伴随疫情阶段）和空间扩散。低阶自回归是近期若干感染数据时空研究的一个特征，可能同时包含区域内感染与相邻区域感染的滞后项。许多疫情时间序列显示出一段感染水平相对稳定（可能表征为地方性流行）的时期，随后是感染水平急剧上升的突发阶段。在疫情峰值之后，存在一段下降速率并恢复稳定的时期。因此，人们可能寻求使自回归方案适应这些显著波动，暂时偏离平稳性，但随着速率下降和感染恢复地方性水平而回归平稳性。我们考虑了一种用于感染计数的混合链接模型，该模型可适应爆发阶段与静态地方性流行。两个案例研究应用涉及COVID地区-时间数据，其一为自COVID疫情开始以来的32个伦敦自治市，另一聚焦于英格兰东南部144个地区与Delta变异株相关的疫情阶段。
引用
@article{arxiv.2202.09547,
title = {A Link Mixture Model for Spatio-temporal Infection Data, with Applications to the COVID Epidemic},
author = {P. Congdon},
journal= {arXiv preprint arXiv:2202.09547},
year = {2022}
}