探索 COVID-19 对数感染计数的时空模式：一种聚类分段自回归 S 形模型
统计方法学
2021-03-01 v1 应用统计
统计计算
摘要
2020 年 4 月 20 月底，中国仅剩少数新增 COVID-19 病例，而世界其他地区的新增病例数呈上升态势。建立高效的 COVID-19 传播统计模型极为重要，可助力全球抗疫。我们提出聚类分段自回归 S 形（CSAS）模型，以探索对数感染计数的时空模式。该 CSAS 模型包含四个关键特征：未知聚类、变点、拉伸 S 形曲线与自回归项，用以理解此次疫情如何在时间与空间中扩散、其扩散如何受防疫管控策略影响，并将模型应用于更长时间段的更新数据。我们提出一种基于非参数图的聚类方法，用于发现曲线时间序列在空间上的相异度，并给出理论依据以在温和且易验证条件下说明模型运作机理。我们提出一种惩罚聚类高估的严格纯度分数。仿真表明，无论数据集规模如何，我们的非参数图聚类方法均快于且优于参数聚类方法。我们给出贝叶斯信息准则（BIC）以识别多个变点并计算均值响应的置信区间。通过将 CSAS 模型应用于所收集数据，我们可解释中国与所选国家防控政策间的差异。
引用
@article{arxiv.2102.13287,
title = {Exploring the space-time pattern of log-transformed infectious count of COVID-19: a clustering-segmented autoregressive sigmoid model},
author = {Xiaoping Shi and Meiqian Chen and Yucheng Dong},
journal= {arXiv preprint arXiv:2102.13287},
year = {2021}
}
备注
29 pages and 9 figures