Time varying Markov process with partially observed aggregate data: An application to coronavirus
部分观测汇总数据下的时变 Markov 过程：冠状病毒应用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：摘要关注疫情传播与隐含人数估计，未明确涉及所列经济学细分方向。
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
部分观测汇总数据下的时变 Markov 过程：冠状病毒应用
- 研究问题
- 无症状感染使感染总人数和康复免疫人数不可观测时，如何利用每日已检测感染与死亡汇总数据估计传播过程？
- 方法与思路
- 作者建立参数化时变 Markov 传播模型，利用每日感染及检测数据和死亡总数估计参数，并近似重建未观测人数。
- 材料陈述的贡献
- 摘要提出从部分观测的每日汇总数据估计传播参数与隐含人数的模型方法，并报告截至二〇二〇年四月六日开展的法国应用。
- 阅读关注点
- 应核对状态划分、时变转移概率的参数化、检测机制及参数识别来源，以及隐含感染和康复人数的不确定性如何处理。
- 阅读边界
- 仅据所给 OpenAlex 摘要，观测机制、识别条件和估计误差均未说明；法国应用具有明确历史时点，不能据此推断后续疫情表现。
原文摘要
A major difficulty in the analysis of Covid-19 transmission is that many infected individuals are asymptomatic. For this reason, the total counts of infected individuals and of recovered immunized individuals are unknown, especially during the early phase of the epidemic. In this paper, we consider a parametric time varying Markov process of Coronavirus transmission and show how to estimate the model parameters and approximate the unobserved counts from daily data on infected and detected individuals and the total daily death counts. This model-based approach is illustrated in an application to French data, performed on April 6, 2020.