马尔可夫过程传染病模型的迭代滤波方法

动态传染病模型已被证明对公共卫生决策者具有价值，因为它们为理解和预防传染病提供了有用的见解。然而，这类模型的推断可能很困难，因为疾病传播通常仅被部分观测到，例如在给定时间段内以报告发病率的形式。本章讨论了当相对容易从马尔可夫传播模型中生成样本而似然函数难以处理时，如何对部分观测的马尔可夫传染病模型进行基于似然的推断。本章的第一部分回顾了通过迭代滤波对部分观测马尔可夫过程（POMP）进行推断的理论背景。在第二部分中，通过两个例子说明了该方法的性能及相关的实际困难。第一个例子将一个由每周汇总的新报告病例数组成的模拟暴发数据集拟合到一个 POMP 中，其中底层疾病传播模型假设为一个简单的马尔可夫 SIR 模型。第二个例子说明了可能的模型扩展，例如在传播模型和观测模型中均可使用的季节强迫和过度离散，这可用于例如分析常规收集的轮状病毒监测数据。两个例子均使用 R 包 pomp（King 等人，2016）实现，代码已在线提供。