对 COVID-19 再生数异质性的建模及其对预测情景的影响
应用统计
2021-04-15 v4 种群与进化
摘要
对 COVID-19 再生数 的正确评估——其刻画每个典型原发案例产生的平均继发案例数——在量化大流行潜在规模与选择适当应对措施中居于核心地位。在大多数模型中， 被建模为病毒在暴发簇与个体间通用的常数——实际上抹平了由于个体接触率、人口密度、人口统计或时间因素等许多方面导致的传播过程固有变异性。然而，由于传染病增长的指数性质，该简化带来的误差会被迅速放大并导致不准确的预测和/或风险评估。从统计建模视角看，这种平均化所产生影响的大小仍是一个开放问题：如何将这种内在变异性渗入传染病模型，又如何更好地量化其对不确定性量化与预测情景的影响？本文中我们提议从贝叶斯视角研究该问题，在文献中常用的基于个体与区室方法间建立桥梁。在推导出能在规模上捕捉人群与环境条件异质性的贝叶斯模型后，我们模拟了传染病传播以及不同社交距离策略的影响，并凸显了所增加变异性对报告结果的强烈影响。我们的讨论基于合成实验——从而量化可靠性与效应大小——以及真实 COVID-19 数据。
引用
@article{arxiv.2004.05272,
title = {Modeling the Heterogeneity in COVID-19's Reproductive Number and its Impact on Predictive Scenarios},
author = {Claire Donnat and Susan Holmes},
journal= {arXiv preprint arXiv:2004.05272},
year = {2021}
}