Sparse HP Filter: Finding Kinks in the COVID-19 Contact Rate
稀疏 HP 滤波：识别 COVID-19 接触率的折点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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要以日度时间序列趋势滤波识别接触率折点，直接涉及时间序列与趋势结构变化。
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…
稀疏 HP 滤波：识别 COVID-19 接触率的折点
- 研究问题
- 如何从疫情病例数据估计随时间变化的接触率，并用较少的趋势折点描述变化，为疫情暴发监测提供可用指标？
- 方法与思路
- 作者在 SIR 模型中利用现存感染、康复与死亡数据构造接触率，并提出限制折点数量的稀疏 HP 滤波用于五国日度数据。
- 材料陈述的贡献
- 摘要称，该方法与 ℓ₁ 趋势滤波拟合相当但折点更少；论文建立两者的风险一致性，并提出用接触增长率监测疫情。
- 阅读关注点
- 核对接触率测量与 SIR 模型设定、折点数量的选择方式、风险一致性的条件，以及折点与实际事件对齐的判定标准。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供误差数值，折点与事件对齐不能直接证明事件的因果作用。
原文摘要
In this paper, we estimate the time-varying COVID-19 contact rate of a Susceptible-Infected-Recovered (SIR) model. Our measurement of the contact rate is constructed using data on actively infected, recovered and deceased cases. We propose a new trend filtering method that is a variant of the Hodrick-Prescott (HP) filter, constrained by the number of possible kinks. We term it the $\textit{sparse HP filter}$ and apply it to daily data from five countries: Canada, China, South Korea, the UK and the US. Our new method yields the kinks that are well aligned with actual events in each country. We find that the sparse HP filter provides a fewer kinks than the $\ell_1$ trend filter, while both methods fitting data equally well. Theoretically, we establish risk consistency of both the sparse HP and $\ell_1$ trend filters. Ultimately, we propose to use time-varying $\textit{contact growth rates}$ to document and monitor outbreaks of COVID-19.