基于状态空间模型的 COVID-19 传播动力学半参数贝叶斯推断
统计方法学
2020-07-06 v2 种群与进化
应用统计
摘要
2019 冠状病毒病 (COVID-19) 的暴发是一场影响逾 200 个国家和地区的大流行。对 COVID-19 传播动力学的推断可为了解疾病传播速度及缓解政策效果提供重要见解。我们基于每日确诊 COVID-19 病例数据，利用概率仓室模型开发了一种新颖的贝叶斯推断方法。具体而言，我们考虑经典易感-感染-康复模型的的概率扩展，其考虑了未记录感染并允许流行病学参数随时间变化。我们通过高斯过程先验估计疾病传播率，可在无需特定参数化假设下捕捉随时间非线性变化。我们利用并行回火马尔可夫链蒙特卡罗算法从高度相关的后验空间中高效采样。未来观测的预测通过从其 posterior predictive distributions 采样完成。所提方法的性能使用模拟数据集评估。最后，我们的方法应用于美国四个州——华盛顿、纽约、加利福尼亚与伊利诺伊——的 COVID-19 数据。R 包 BaySIR 发布于 https://github.com/tianjianzhou/BaySIR 供公众独立分析或复现本文结果。
引用
@article{arxiv.2006.05581,
title = {Semiparametric Bayesian Inference for the Transmission Dynamics of COVID-19 with a State-Space Model},
author = {Tianjian Zhou and Yuan Ji},
journal= {arXiv preprint arXiv:2006.05581},
year = {2020}
}