基于类别近似的个体化流行病模型可扩展校准方法
统计方法学
2026-01-27 v3
摘要
传统的 compartments 模型捕捉人口水平动力学，但无法表征个体水平的风险。然而，对部分观察到的个体化模型进行精确似然评估的计算成本随人口规模指数级增长，这使得近似推断成为必要。现有的基于抽样的方法通常需要对个体进行多次模拟，并依赖特定的提议分布或摘要统计量。我们提出了一种使用类别分布近似似然的确定性方法。该近似似然可以轻松地与自动微分结合，从而可以使用如 Stan 或 TensorFlow 等标准软件库进行参数估计。我们证明了最大近似似然估计量的一致性。我们在多个流行病学个体化模型上进行了实证测试：包括不同的疾病状态、个体特定的转移率、空间相互作用、漏报和误报。我们展示了地面真相恢复以及在计算成本大幅降低的情况下获得相当的边际对数似然值。最后，我们在 2001 年英国Foot-and-Mouth疫 outbreak 的实际应用中显示了该方法的可扩展性和有效性，其中由于 CAL 的简单性，我们能够包括 162775 个农场。
引用
@article{arxiv.2501.03950,
title = {Scalable calibration of individual-based epidemic models through categorical approximations},
author = {Lorenzo Rimella and Nick Whiteley and Chris Jewell and Paul Fearnhead and Michael Whitehouse},
journal= {arXiv preprint arXiv:2501.03950},
year = {2026}
}