Identification and estimation of the SEIRD epidemic model for COVID-19
COVID-19 的 SEIRD 疫情模型识别与估计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：摘要研究疫情模型的条件识别与估计，未直接对应所给微观、宏观或金融领域细分。
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
COVID-19 的 SEIRD 疫情模型识别与估计
- 研究问题
- 仅凭死亡和确诊数据，SEIRD 模型哪些参数能够识别，漏报如何影响基本再生数估计及长期死亡预测？
- 方法与思路
- 作者分析短期观测等价性，在给定流行病学参数下用非线性 SUR 估计基本再生数，并考虑漏报及随机检测辅助信息。
- 材料陈述的贡献
- 摘要称揭示了模型识别薄弱与长期预测分歧，提出基本再生数估计方法，并展示美国、加州和日本的差异及漏报影响。
- 阅读关注点
- 应核对条件识别依赖哪些外部流行病学参数、漏报机制如何建模，以及随机检测信息如何校准初始状态并缩小预测范围。
- 阅读边界
- 摘要未给出参数设定、地区估计值或预测区间；基本再生数的识别是有条件的，不能据此声称整个疫情模型已被识别。
原文摘要
This paper studies the SEIRD epidemic model for COVID-19. First, I show that the model is poorly identified from the observed number of deaths and confirmed cases. There are many sets of parameters that are observationally equivalent in the short run but lead to markedly different long run forecasts. Second, I show that the basic reproduction number R0 can be identified from the data, conditional on epidemiologic parameters, and propose several nonlinear SUR approaches to estimate R0. I examine the performance of these methods using Monte Carlo studies and demonstrate that they yield fairly accurate estimates of R0. Next, I apply these methods to estimate R0 for the US, California, and Japan, and document heterogeneity in the value of R0 across regions. My estimation approach accounts for possible underreporting of the number of cases. I demonstrate that if one fails to take underreporting into account and estimates R0 from the reported cases data, the resulting estimate of R0 may be biased downward and the resulting forecasts may exaggerate the long run number of deaths. Finally, I discuss how auxiliary information from random tests can be used to calibrate the initial parameters of the model and narrow down the range of possible forecasts of the future number of deaths.