Time series analysis of COVID-19 infection curve: A change-point perspective
COVID-19 感染曲线的时间序列分析：变点视角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：摘要明确研究非平稳时间序列的趋势变点及两阶段预测，分别对应时间序列、结构变化与预测方法。
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…
关注这篇论文的作者
COVID-19 感染曲线的时间序列分析：变点视角
- 研究问题
- 如何识别累计确诊与死亡曲线中增长率的阶段转换，并利用检测出的变点形成具有可解释性的疫情预测？
- 方法与思路
- 作者用分段线性趋势描述对数累计数据，将自标准化检验扩展至非平稳趋势变点，并结合 NOT 算法和外推函数。
- 材料陈述的贡献
- 摘要称方法支持单个变点检验与估计及多个变点估计，分析了三十个国家，并展示两阶段方案对美国累计死亡的预测表现。
- 阅读关注点
- 应核对趋势误差的依赖条件、多变点算法的设置与误差控制，以及预测评价设计和疫情应对效果解释所需的额外证据。
- 阅读边界
- 解读限于所给出版社摘要；摘要未说明变点日期、预测误差数值或数据修订处理，国家间曲线差异不能单凭摘要作因果解释。
原文摘要
In this paper, we model the trajectory of the cumulative confirmed cases and deaths of COVID-19 (in log scale) via a piecewise linear trend model. The model naturally captures the phase transitions of the epidemic growth rate via change-points and further enjoys great interpretability due to its semiparametric nature. On the methodological front, we advance the nascent self-normalization (SN) technique (Shao, 2010) to testing and estimation of a single change-point in the linear trend of a nonstationary time series. We further combine the SN-based change-point test with the NOT algorithm (Baranowski et al., 2019) to achieve multiple change-point estimation. Using the proposed method, we analyze the trajectory of the cumulative COVID-19 cases and deaths for 30 major countries and discover interesting patterns with potentially relevant implications for effectiveness of the pandemic responses by different countries. Furthermore, based on the change-point detection algorithm and a flexible extrapolation function, we design a simple two-stage forecasting scheme for COVID-19 and demonstrate its promising performance in predicting cumulative deaths in the U.S.