Matching Theory and Evidence on Covid-19 using a Stochastic Network SIR Model
用随机网络 SIR 模型连接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。
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：摘要明确采用个体随机网络模型描述群体间传播，网络联系与传播依赖是方法核心，直接对应网络与干扰方向。
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
用随机网络 SIR 模型连接新冠疫情理论与证据
- 研究问题
- 如何利用个体层面的随机网络疫情模型识别和估计传播率，同时处理感染病例漏报，并分析防疫干预的反事实影响？
- 方法与思路
- 作者为单群体和多群体网络 SIR 模型推导感染及活跃病例的矩条件，联合估计传播率与漏报程度，再进行校准和反事实分析。
- 材料陈述的贡献
- 摘要称，处理漏报后，六个欧洲国家的经验数据与模拟结果相符；校准模型用于分析社交距离、疫苗及早期干预时点。
- 阅读关注点
- 应核对接触网络与群体划分、矩条件的识别依据、漏报机制，以及传播率和漏报能否分别识别及反事实参数如何设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要中的漏报倍数对应特定时期，未说明估计区间与反事实结论的敏感性。
原文摘要
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 UK and Germany.