传播网络推断：不同数据类型的影响

我们研究了基于不同疾病爆发数据类型，传播网络属性会如何变化。这通过引入数学和计算方法来实现，这些方法估计传播树的概率，通过结合生成模型来实现，其中该模型联合决定感染主机的数量、它们之间感染的概率（取决于位置和基因信息）以及感染和抽样的时间。我们引入一种合适的马尔可夫链蒙特卡洛方法，我们展示其根据概率对树进行抽样。对抽样树进行统计分析可得出网络属性和其他感兴趣量（如未观察到的主机数量和感染树深度）的概率估计。我们通过将数值结果与可解析示例进行比较来确认方法的有效性。最后，我们将该方法应用于澳大利亚的新冠病毒数据。我们发现，对于疫情管理至关重要的网络属性，取决于用于推断的数据类型。