Bayesian Inference for Stochastic Multitype Epidemics in Structured Populations Via Random Graphs
利用随机图对结构化人群中的随机多类型传染病模型进行贝叶斯推断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：摘要以个体间潜在传染接触的随机图描述传播机制，直接涉及网络关系与个体间影响。
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
利用随机图对结构化人群中的随机多类型传染病模型进行贝叶斯推断
- 研究问题
- 对于结构化人群的随机传染病模型，如何利用疾病最终结局数据开展推断，并处理解析与数值计算均困难的似然？
- 方法与思路
- 作者把个体间潜在传染接触表示为随机图，通过补入这一缺失信息开展推断，并使用真实数据和测试数据说明方法。
- 材料陈述的贡献
- 摘要称，随机图层面的信息补入克服了既有方法的若干限制，并提供更细致的传播信息；具体改进范围未在摘要列明。
- 阅读关注点
- 应核对人群结构与多类型机制、随机图的条件分布、贝叶斯计算步骤，以及仅观察最终结局时哪些传播特征能够识别。
- 阅读边界
- 仅据所给摘要，无法判断潜在接触图的可识别性、先验敏感性与计算收敛性；真实数据和测试数据的具体结果未说明。
原文摘要
Summary The paper is concerned with new methodology for statistical inference for final outcome infectious disease data using certain structured population stochastic epidemic models. A major obstacle to inference for such models is that the likelihood is both analytically and numerically intractable. The approach that is taken here is to impute missing information in the form of a random graph that describes the potential infectious contacts between individuals. This level of imputation overcomes various constraints of existing methodologies and yields more detailed information about the spread of disease. The methods are illustrated with both real and test data.