Compartmental流行病模型的实用可辨识性与参数估计
统计方法学
2024-06-27 v1
摘要
ODE型流行病模型中的实用参数可辨识性是一个已知问题，却值得进一步研究。由于现实数据中的噪声和误差，这种现象几乎无处不在。本研究采用加入噪声的模拟数据，以避免源自数据质量未知的不确定性，来探讨两种不同流行病模型中的实用可辨识性。特别关注初始条件的作用，这些初始条件假设为未知，除非直接测量。本文不仅关注单一的估计方法，而是使用并比较各种广泛采用的方法，包括最大似然估计和马尔可夫链蒙特色罗拉（MCMC）估计。在其他发现之外，我们的分析表明，MCMC估计器总体上比考虑的点估计更稳健。其估计和预测在某些组合空间初始条件固定后得到改善，这使得模型具有全局可辨识性。对于点估计器，是否固定或拟合那些并非直接测量的初始条件会改善参数估计，这取决于模型。具体而言，在标准SEIR模型中，固定易感人群S(0)的初始条件会改善参数估计，而在更复杂的模型中，对无症状人群的初始条件进行固定则不然。我们的研究证实了在考虑预峰或后峰时间序列时，参数估计质量会发生变化。最后，我们的例子表明，在存在显著噪声数据时，结构可辨识性的意义不大。
引用
@article{arxiv.2406.17827,
title = {Practical identifiability and parameter estimation of compartmental epidemiological models},
author = {Q. Y. Chen and Z. Rapti and Y. Drossinos and J. Cuevas-Maraver and G. A. Kevrekidis and P. G. Kevrekidis},
journal= {arXiv preprint arXiv:2406.17827},
year = {2024}
}