异质个性化健康数据的贝叶斯模型
应用统计
2015-09-02 v1
摘要
本研究的目的是利用现代技术（如 Beckman 等人 (2014) 中的移动或网络应用程序）来丰富流行病学数据并推断疾病的传播。先前的工作已对种群水平的同质性相关研究进行了深入探讨。相比之下，我们开发了分层图耦合隐马尔可夫模型，通过利用结合额外协变量的链接先验，同时追踪一个小型手机社区中的感染传播并捕获特定于个人的感染参数。我们还重新审视了 hGCHMM 从简单 HMM 和 LDA 演变而来的过程，阐明了其额外的灵活性与可解释性。由于稀疏耦合 HMM 的非共轭性，我们设计了一种新的近似分布，使我们的方法更适用于其他应用领域。此外，我们研究了两种常见的链接函数，即 beta-指数先验和 sigmoid 函数，两者均允许为疾病传播开发有原则的贝叶斯分层框架。我们模型的结果使我们能够预测每个人每天的感染概率，并能推断个人的身体脆弱性及其与协变量的相关关联。我们在模拟数据和真实流行病学记录上对本文方法进行了实验验证。
引用
@article{arxiv.1509.00110,
title = {Bayesian Models for Heterogeneous Personalized Health Data},
author = {Kai Fan and Allison E. Aiello and Katherine A. Heller},
journal= {arXiv preprint arXiv:1509.00110},
year = {2015}
}
备注
35 pages; Heterogeneous Flu Diffusion, Social Networks, Dynamic Bayesian Modeling