鲁棒时空流行病建模：集成自适应异常值检测

在流行病建模中，异常值会扭曲参数估计，最终导致公共卫生决策误导。虽然已有鲁棒方法可缓解这种扭曲，但同时检测异常值对于识别潜在疾病热点同样至关重要。本文引入鲁棒时空广义可加模型（RST-GAM）以满足这一需求。我们通过引入均值漂移参数来量化和调整异常值的影响，并利用自适应Lasso正则化来建模异常观测的稀疏性。我们采用单变量多项式样条和双变量在三角网格上的惩罚性样条来估计函数形式，并采用数据稀疏化方法构建数据自适应权重。我们推导了可扩展的proximal算法，通过最小化凸负对数准似然函数来估计模型参数。该算法采用自适应步长，确保所得迭代序列全局收敛。我们建立了估计参数的误差界和选择一致性，并通过各种异常情景下的数值研究展示了RST-GAM模型的有效性。最后，我们通过分析美国各县COVID-19感染数据，展示了RST-GAM的实际效用，突显其为公共卫生决策提供信息的潜力。