Sparse HP filter: Finding kinks in the COVID-19 contact rate
稀疏 HP 滤波：识别新冠接触率的折点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：摘要明确涉及日度序列的趋势滤波和折点识别，对应时间序列与结构变化方法。
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…
稀疏 HP 滤波：识别新冠接触率的折点
- 研究问题
- 如何从感染、康复和死亡病例数据估计随时间变化的新冠接触率，并提取能够描述疫情变化且不过度复杂的趋势折点？
- 方法与思路
- 作者在 SIR 模型下构造接触率，并提出限制折点数量的 HP 趋势滤波变体，将其应用于五国日度数据，与 ℓ1 趋势滤波比较。
- 材料陈述的贡献
- 摘要称，稀疏 HP 滤波在拟合程度相近时产生更少折点，折点与实际事件较吻合；作者还建立两类滤波方法的风险一致性。
- 阅读关注点
- 应核对病例到接触率的测量关系、折点数量如何选择、风险一致性的条件，以及事件对应是否经过独立验证和敏感性分析。
- 阅读边界
- 仅据所给出版社摘要，无法判断病例漏报和 SIR 设定的影响；折点与事件吻合不能直接确立政策因果效应，理论条件也未详述。
原文摘要
In this paper, we estimate the time-varying COVID-19 contact rate of a Susceptible–Infected–Recovered (SIR) model. Our measurement of the contact rate is constructed using data on actively infected, recovered and deceased cases. We propose a new trend filtering method that is a variant of the Hodrick–Prescott (HP) filter, constrained by the number of possible kinks. We term it the sparse HP filter and apply it to daily data from five countries: Canada, China, South Korea, the UK and the US. Our new method yields the kinks that are well aligned with actual events in each country. We find that the sparse HP filter provides a fewer kinks than the ℓ1 trend filter, while both methods fitting data equally well. Theoretically, we establish risk consistency of both the sparse HP and ℓ1 trend filters. Ultimately, we propose to use time-varying contact growth rates to document and monitor outbreaks of COVID-19.