Bayesian Synthetic Likelihood Estimation for Underreported Non-Stationary Time Series: Covid-19 Incidence in Spain
漏报非平稳时间序列的贝叶斯合成似然估计：西班牙新冠发病率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：题名与摘要明确研究漏报的非平稳时间序列及其轨迹重建，未明确提出预测任务。
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…
漏报非平稳时间序列的贝叶斯合成似然估计：西班牙新冠发病率
- 研究问题
- 当官方病例数据存在漏报或其他报告误差时，如何估计非平稳时间序列模型，并重建疫情发生过程的可能演变？
- 方法与思路
- 作者使用贝叶斯合成似然估计处理报告误差的模型参数，通过模拟评价方法，并重建西班牙各自治区的每周发病率。
- 材料陈述的贡献
- 摘要称，研究评估了贝叶斯合成似然处理误报数据的表现，并以重建二〇二〇年西班牙各自治区疫情轨迹展示应用。
- 阅读关注点
- 应核对报告误差与真实过程的模型设定、合成似然使用的统计量、先验和参数识别，以及重建结果的不确定性表达。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明漏报机制、模拟数值或识别条件，重建轨迹仍依赖模型。
原文摘要
The problem of dealing with misreported data is very common in a wide range of contexts for different reasons. The current situation caused by the Covid-19 worldwide pandemic is a clear example, where the data provided by official sources were not always reliable due to data collection issues and to the high proportion of asymptomatic cases. In this work, we explore the performance of Bayesian Synthetic Likelihood to estimate the parameters of a model capable of dealing with misreported information and to reconstruct the most likely evolution of the phenomenon. The performance of the proposed methodology is evaluated through a comprehensive simulation study and illustrated by reconstructing the weekly Covid-19 incidence in each Spanish Autonomous Community in 2020.