基于粒子MCMC与梯度提案的随机疾病传播模型推断
应用统计
2022-05-17 v1
摘要
状态空间模型已广泛通过对时间序列数据拟合，来建模感兴趣人群中传染病的动态。粒子滤波器使这些模型能纳入随机性，从而更好地反映群体行为的真实性质。疾病传播率 、恢复率等相关参数可利用粒子MCMC推断。标准方法采用Metropolis-Hastings随机游走提案，当存在多个参数时难以在合理时间内达到平稳分布。本文在提出随机非线性易感-暴露-感染-恢复（SEIR）和SIR模型的新参数时，利用梯度信息与No U-Turn采样器（NUTS）获得完整的贝叶斯参数估计。尽管NUTS每次迭代进行多于一次的目标评估，我们表明其能在比Metropolis-Hastings更短的运行时间内提供更准确的估计。
引用
@article{arxiv.2205.07356,
title = {Inference of Stochastic Disease Transmission Models Using Particle-MCMC and a Gradient Based Proposal},
author = {Conor Rosato and John Harris and Jasmina Panovska-Griffiths and Simon Maskell},
journal= {arXiv preprint arXiv:2205.07356},
year = {2022}
}
备注
FUSION 2022: 25th International Conference on Information Fusion (FUSION 2022), 8 Pages, 16 images