基于部分识别方法的血清学检测新冠肺炎患病率估计

我们提出了一种从血清学研究中估计疾病患病率的部分识别方法。我们的数据来自某总体样本的抗体检测结果，其中检测参数（如真阳性率/假阳性率）未知。我们的方法扫描整个参数空间，并使用联合数据密度作为检验统计量来剔除参数值。所提方法在边际推断上一般是保守的，但其相对于更标准方法的关键优势在于：即使底层模型不是点识别的，它在有限样本下仍然有效。此外，我们的方法仅要求血清学检测结果独立，不依赖渐近论证、正态性假设或其他近似。我们使用美国近期的新冠肺炎血清学研究，表明参数置信集通常较宽，无法支持确定性结论。具体而言，加州近期的血清学研究表明患病率在研究时处于0%–2%的任意区间，因此无定论。然而，若抗体检测的实际假阳性率确实接近其经验估计值（约0.5%），该区间可收窄至0.7%–1.5%。在另一项纽约州的研究中，2020年4月中旬新冠肺炎患病率被可信地估计在13%–17%区间，这也表明美国各地新冠肺炎暴露存在显著的地理差异。合并所有数据集得出5%–8%的患病率区间。我们的结果总体表明，即使此类检测不完美且参数未知，大规模血清学检测仍可为未来政策设计提供关键信息。