用于多重流行病动态的带混合效应高斯状态空间模型推断
统计方法学
2021-09-20 v1
摘要
从可用数据估计 governing 流行病的参数是一项重大挑战。除通常问题(数据常不完整且有噪声)外,同类流行病可能在多地或不同时间段被观测到。由此产生的可能的流行期间变异性很少被显式考虑。在此,我们提议通过唯一一个为每个流行病纳入随机表示并从其含噪和部分观测中联合估计参数的模型来处理多重流行病。基于先前工作,将高斯状态空间模型扩展为对同时描述多个流行病及其观测过程的参数带混合效应的模型。通过耦合 SAEM 算法与 Kalman 型滤波,开发了适当的推断方法。其在 SIR 模拟数据上的性能被研究。我们的方法优于分别处理各数据集的推断方法。还使用发病率数据对法国多年 SEIR 流感暴发进行了应用,为此提出了滤波算法的新版本。参数估计突显了流感季间在传播和病例报告上均存在不可忽略的变异性。我们研究的主要贡献是从建模和推断两方面严谨且显式地考量了多次暴发间的流行期间变异性。
引用
@article{arxiv.2109.08428,
title = {Inference in Gaussian state-space models with mixed effects for multiple epidemic dynamics},
author = {Romain Narci and Maud Delattre and Catherine Larédo and Elisabeta Vergu},
journal= {arXiv preprint arXiv:2109.08428},
year = {2021}
}