Simultaneous estimation of the effective reproduction number and the time series of daily infections: Application to Covid-19
有效再生数与每日感染时间序列的联合估计：新冠应用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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：方法直接建模每日感染的自激时间动态，并联合估计随时间变化的再生数。
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
有效再生数与每日感染时间序列的联合估计：新冠应用
- 研究问题
- 如何同时估计每日新增感染和时变有效再生数，避免先重建感染数量、再估计再生数的分步流程忽略联合不确定性？
- 方法与思路
- 作者基于新增感染的自激动态模型，提出新的马尔可夫链蒙特卡洛算法，近似每日感染与再生数的联合贝叶斯后验。
- 材料陈述的贡献
- 摘要称在瑞士确诊病例和模拟数据中，相比所比较的三步估计程序，该方法的点估计和不确定性量化更准确，尤其在观测期两端。
- 阅读关注点
- 应核对感染与确诊的观测联系、感染间隔设定、联合后验近似及算法收敛，并检查观测期边界改善是否依赖特定模拟设定。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出观测模型、先验和误差数值，不能将比较结论推广至所有疫情。
原文摘要
The time-varying effective reproduction number is an important parameter for communication and policy decisions during an epidemic. In this paper, we present new statistical methods for estimating the reproduction number based on the popular model of \citet{cori2013new} which defines the effective reproduction number based on self-exciting dynamics of new infections. Such a model is conceptually simple and less susceptible to misspecifications than more complicated multi-compartment models. However, statistical inference is challenging, and the previous literature has either relied on proxy data and/or a two-step approach in which the number of infections is first estimated. In contrast, we present a coherent Bayesian method that approximates the joint posterior of daily new infections and reproduction numbers using a novel Markov chain Monte Carlo (MCMC) algorithm. Comparing our method to the state-of-the-art three-step estimation procedure of \citet{huisman2022estimation}, both using daily confirmed cases from Switzerland in the Covid-19 epidemic and simulated data, we find that our method is more accurate in terms of point estimates and uncertainty quantification, especially near the beginning and end of an observation period.