耦合隐马尔可夫模型的高效贝叶斯模型选择及其在传染病中的应用
统计方法学
2021-05-26 v1
摘要
由于隐状态过程的维度很大，对耦合隐马尔可夫模型（CHMMs）进行模型选择极具挑战性。尽管原则上可通过前向滤波将隐状态过程边缘化，但实际上这样做的计算代价随耦合马尔可夫链数量呈指数增长，使该方法在大多数应用中不可行。蒙特卡洛方法可被采用，但尽管模型选择方法学已有诸多显著进展，通用方法仍不适用于此类高维问题。本文针对具有弱链间依赖的CHMMs开发了专用解决方案。具体而言，我们为隐状态过程构造了随着链数增加仍保持计算可行的有效提议分布，且所需用户干预或调参极少。该方法尤其适用于表征为CHMMs的个体层面传染病模型，其中每条链代表一个个体，耦合代表个体间接触。由于仅有的显著接触发生在易感者与感染者之间，且常存在多种感染路径，由此得到的CHMMs自然具有低链间依赖。我们通过将其应用于家禽高致病性禽流感研究，展示了该方法的效用。
引用
@article{arxiv.2105.11807,
title = {Efficient Bayesian model selection for coupled hidden Markov models with application to infectious diseases},
author = {Jake Carson and Trevelyan J. McKinley and Peter Neal and Simon E. F. Spencer},
journal= {arXiv preprint arXiv:2105.11807},
year = {2021}
}