基于生成式贝叶斯建模利用缺失症状出现日期的线列表数据即时估计有效再生数
统计方法学
2024-07-15 v1
摘要
时变有效再生数 是传染病暴发期间传播动力学的广泛使用指标。及时估计 可从接近原始感染日期的观测获得，例如症状出现日期。然而，这些数据常有缺失信息并受右截断影响。以往方法独立处理这些问题：先插补缺失出现日期，再调整截断病例计数，最后估计有效再生数。这种逐步方法难以传播不确定性，并可能因前序步骤假设的持续影响在实时估计中引入细微偏差。本工作中，我们将插补、截断调整和 估计整合为单一生成式贝叶斯模型，从而直接从含缺失症状出现日期的线列表数据联合推断病例计数与 。我们随后用此框架比较具不同逐步与生成式组件的即时估计方法在多种暴发情景合成线列表数据及不同流行阶段上的表现。我们发现，在长报告延迟下，逐步方法中常见的中间平滑会偏倚病例计数与 的即时估计，而联合生成式方法因对所有模型组件共享正则化得以避免。在不完整线列表数据上，全生成式方法无需初始多重插补步骤即可量化由缺失出现日期导致的不确定性。在使用瑞士COVID-19大流行住院线列表数据的真实对比中，我们观察到方法间相同的定性差异。我们的生成式建模组件已集成至R包 epinowcast。
引用
@article{arxiv.2308.13262,
title = {Generative Bayesian modeling to nowcast the effective reproduction number from line list data with missing symptom onset dates},
author = {Adrian Lison and Sam Abbott and Jana Huisman and Tanja Stadler},
journal= {arXiv preprint arXiv:2308.13262},
year = {2024}
}