Matching theory and evidence on Covid‐19 using a stochastic network SIR model
用随机网络 SIR 模型匹配新冠疫情理论与证据AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确建立个体随机网络模型，并估计传播参数、开展模型反事实分析。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用随机网络 SIR 模型匹配新冠疫情理论与证据
- 研究问题
- 研究如何在感染病例漏报的情况下识别疫情传播率，并使个体网络疫情模型与观察数据相匹配，进而分析干预时机。
- 方法与思路
- 作者建立个体层面的随机网络 SIR 模型，推导单群体和多群体病例数的矩条件，联合估计传播率与感染漏报程度。
- 材料陈述的贡献
- 摘要称处理漏报后，模型模拟与六个欧洲国家的证据相符；校准模型进一步用于社交距离、疫苗及早期干预的反事实分析。
- 阅读关注点
- 应核对网络结构与接触机制、传播率和漏报率的联合识别条件，以及干预反事实依赖哪些校准参数与行为假设。
- 阅读边界
- 仅据所给 Crossref 摘要，不能推断其他版本变化；漏报估计及干预结果具有模型依赖性，摘要未说明完整识别条件。
原文摘要
Summary This paper develops an individual‐based stochastic network SIR model for the empirical analysis of the Covid‐19 pandemic. It derives moment conditions for the number of infected and active cases for single as well as multigroup epidemic models. These moment conditions are used to investigate the identification and estimation of the transmission rates. The paper then proposes a method that jointly estimates the transmission rate and the magnitude of under‐reporting of infected cases. Empirical evidence on six European countries matches the simulated outcomes once the under‐reporting of infected cases is addressed. It is estimated that the number of actual cases could be between 4 to 10 times higher than the reported numbers in October 2020 and declined to 2 to 3 times in April 2021. The calibrated models are used in the counterfactual analyses of the impact of social distancing and vaccination on the epidemic evolution and the timing of early interventions in the United Kingdom and Germany.