Generalized Ordinary Differential Equation Models
广义常微分方程模型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：摘要聚焦一般微分方程统计模型与病毒动力学，未提供经济结构估计或宏观动态研究的直接依据。
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
广义常微分方程模型
- 研究问题
- 如何使常微分方程模型适用于离散型数据，并在参数估计与推断中同时处理测量误差和求解方程的数值误差？
- 方法与思路
- 作者提出广义常微分方程模型，开发基于似然的估计推断与稳健计算算法，并将两类误差纳入渐近性质研究。
- 材料陈述的贡献
- 摘要称，所提方法在模拟和流感病毒动力学应用中，准确性优于所比较的既有 ODE 估计方法及扩展平滑方法。
- 阅读关注点
- 应核对离散型数据的观测模型、似然构造、数值精度与样本量的关系，以及算法稳健性和比较准确性的定义。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，无法判断刊本变化；离散型数据的具体类型、渐近条件和性能差异数值均未说明。
原文摘要
Existing estimation methods for ordinary differential equation (ODE) models are not applicable to discrete data. The generalized ODE (GODE) model is therefore proposed and investigated for the first time. We develop the likelihood-based parameter estimation and inference methods for GODE models. We propose robust computing algorithms and rigorously investigate the asymptotic properties of the proposed estimator by considering both measurement errors and numerical errors in solving ODEs. The simulation study and application of our methods to an influenza viral dynamics study suggest that the proposed methods have a superior performance in terms of accuracy over the existing ODE model estimation approach and the extended smoothing-based (ESB) method.