流行病预测中贝叶斯与频率学方法的比较研究：来自模拟与历史数据的洞见
定量方法
2025-09-09 v1
摘要
准确的流行病预测对于有效的公共卫生干预至关重要。本研究比较了确定性流行病模型中的贝叶斯与频率学估计框架，聚焦于非线性最小二乘优化与通过 Stan 实现的贝叶斯推断。我们在相同建模结构和误差假设下比较预测性能，评估特定实现的两种方法。我们在模拟数据集（R0 为 2 和 1.5）和历史数据集（包括 1918 年流感大流行、1896-97 年 Bombay 霉菌和新冠肺炎大流行）上进行评估。评估指标包括均绝对误差、均方根误差、加权区间得分和 95% 预测区间覆盖率。预测性能取决于流行病阶段和数据特征，两种方法均无统一优势。频率学方法在峰值和峰后阶段表现良好，但在峰值前不够准确。贝叶斯方法，特别是使用均匀先验，能在早期流行病中提供更好的准确性和更强的不确定性量化，尤其在数据稀缺或噪声较大时尤为有价值。频率学方法常常能获得更准确的点预测和较低的误差指标，尽管其区间估计可能不够稳健。我们考察了先验选择如何影响贝叶斯预测，以及延长预测时程如何影响收敛。这些发现为针对流行病阶段和数据质量选择估计策略提供了实用指导，支持更有效的公共卫生干预。
引用
@article{arxiv.2509.05846,
title = {Comparative study of Bayesian and Frequentist methods for epidemic forecasting: Insights from simulated and historical data},
author = {Hamed Karami and Ruiyan Luo and Pejman Sanaei and Gerardo Chowell},
journal= {arXiv preprint arXiv:2509.05846},
year = {2025}
}