Panel forecasts of country-level Covid-19 infections
国家层面新冠活跃感染人数的面板预测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：摘要直接使用国家或地区动态面板进行感染人数的密度与区间预测。
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…
国家层面新冠活跃感染人数的面板预测
- 研究问题
- 如何借助不同国家或地区的疫情信息，为每日活跃感染人数构造密度预测，并刻画疫情峰值前后较大的预测不确定性？
- 方法与思路
- 作者设定带断点的下降确定性趋势及自回归增长率波动，用全贝叶斯动态面板估计斜率的横截面分布并构造各地预测。
- 材料陈述的贡献
- 摘要称，早期暴发地区的信息有助于改善较晚地区的预测，并报告一周预测区间的经验覆盖率接近名义可信水平。
- 阅读关注点
- 应核对趋势与断点设定、横截面信息共享机制、参数和冲击不确定性的分解，以及滚动预测评价和覆盖率计算方式。
- 阅读边界
- 仅据所给出版社摘要，无法确定预测样本、误差幅度或对新疫情阶段的适用性；所附网站的当前状态和更新情况未核验。
原文摘要
We use a dynamic panel data model to generate density forecasts for daily active Covid-19 infections for a panel of countries/regions. Our specification that assumes the growth rate of active infections can be represented by autoregressive fluctuations around a downward sloping deterministic trend function with a break. Our fully Bayesian approach allows us to flexibly estimate the cross-sectional distribution of slopes and then implicitly use this distribution as prior to construct Bayes forecasts for the individual time series. We find some evidence that information from locations with an early outbreak can sharpen forecast accuracy for late locations. There is generally a lot of uncertainty about the evolution of active infection, due to parameter and shock uncertainty, in particular before and around the peak of the infection path. Over a one-week horizon, the empirical coverage frequency of our interval forecasts is close to the nominal credible level. Weekly forecasts from our model are published at https://laurayuliu.com/covid19-panel-forecast/.