全随机流行病学模型的高效贝叶斯推断及其在COVID-19中的应用
统计方法学
2021-10-28 v2 种群与进化
摘要
流行病学预测深受底层流行病学过程及数据获取之监测过程不确定性的困扰。我们提出一种贝叶斯推断方法，可对由（可能）非平稳、连续时间马尔可夫种群过程建模的疫情量化这些不确定性。该方法的高效性源于对大种群有效的似然之泛函中心极限定理近似。我们基于英国COVID-19早期的年龄分层死亡人数数据，分析了该疫情以展示此方法。这包括最大后验估计、后验的MCMC采样、模型证据计算，以及通过Fisher信息矩阵确定参数敏感性。我们的方法学在PyRoss中实现，该开源平台用于流行病学仓室模型分析。
引用
@article{arxiv.2010.11783,
title = {Efficient Bayesian inference of fully stochastic epidemiological models with applications to COVID-19},
author = {Yuting I. Li and Günther Turk and Paul B. Rohrbach and Patrick Pietzonka and Julian Kappler and Rajesh Singh and Jakub Dolezal and Timothy Ekeh and Lukas Kikuchi and Joseph D. Peterson and Austen Bolitho and Hideki Kobayashi and Michael E. Cates and R. Adhikari and Robert L. Jack},
journal= {arXiv preprint arXiv:2010.11783},
year = {2021}
}
备注
Revised and accepted version, 24 pages