工业卫生中机械系统的贝叶斯层次建模与推断
统计方法学
2024-06-28 v2 应用统计
摘要
在静止和移动的客运轨道车厢中进行了一系列实验，以测量SARS-CoV-2病毒气溶胶粒径范围内的颗粒物去除率，以及现有和改装空气处理系统提供的每小时换气次数。此类暴露评估方法通常基于由颗粒物运动的物理定律推导出的机械模型，这些模型是确定性的，且未考虑数据收集固有的测量误差。由此得出的分析在从现场测量中可靠地学习通风率、气溶胶生成率和过滤效率等机械因素方面存在不足。本手稿开发了一个贝叶斯状态空间建模框架，该框架综合了来自机械系统以及现场数据的信息。我们从解释颗粒物浓度的微分方程的有限差分近似推导出一个随机模型。我们的推断框架利用腔室实验的现场测量来训练机械系统，并在完全基于模型的不确定性量化下给出底层物理过程的可靠估计。我们的应用属于机械模型与统计模型的贝叶斯“融合”范畴，与从事轨道车队病毒气溶胶暴露评估的工业卫生学家和公共卫生研究人员高度相关。
引用
@article{arxiv.2307.00450,
title = {Bayesian Hierarchical Modeling and Inference for Mechanistic Systems in Industrial Hygiene},
author = {Soumyakanti Pan and Darpan Das and Gurumurthy Ramachandran and Sudipto Banerjee},
journal= {arXiv preprint arXiv:2307.00450},
year = {2024}
}
备注
23 pages, 6 figures