用于新型冠状病毒肺炎的相互作用 Neyman-Scott 点过程模型
应用统计
2021-02-08 v1 统计方法学
摘要
新型冠状病毒肺炎(COVID-19)传播迅速,已导致全球超过 200 万人死亡,带来了重大的社会挑战。理解患者就诊的空间模式并检测局部传播事件对于控制疾病暴发至关重要。我们分析了从首尔收集的高度详细的 COVID-19 接触者追踪数据,这为理解患者就诊发生机制提供了独特机会。分析接触者追踪数据具有挑战性,因为患者就诊表现出强烈的聚集模式,而事件簇可能具有复杂的交互行为。为解释此类行为,我们提出了一种新颖的相互作用 Neyman-Scott 过程,将观察到的患者就诊事件视为由父代传播事件生成的子代。此类模型的推断较为复杂,因为其似然涉及难以处理的归一化函数。为解决该问题,我们将辅助变量算法嵌入到马尔可夫链蒙特卡洛(Markov chain Monte Carlo)中。我们在不同暴发情景下将模型拟合于若干模拟与真实数据示例,表明我们的方法能很好地描述患者就诊的空间模式。我们还提供了可为传染病(如社交距离)公共卫生干预提供信息的可视化工具。
引用
@article{arxiv.2102.02999,
title = {An Interaction Neyman-Scott Point Process Model for Coronavirus Disease-19},
author = {J. Park and W. Chang and B. Choi},
journal= {arXiv preprint arXiv:2102.02999},
year = {2021}
}