.png){kind=icon}
返回
Efficient sequential Bayesian inference for state-space epidemic models using ensemble data assimilation
.png){kind=icon}
PRE
AI
DOI：10.1371/journal.pcbi.1014301.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
从部分观测、含噪声数据中估计潜在流行病状态和模型参数仍是传染病建模的主要挑战。状态空间表述为这种推断提供了一致的概率框架，但完全贝叶斯估计通常计算上不可行，因为评估观测数据似然需要隐含轨迹的积分。顺序蒙特卡罗平方（SMC2）算法为联合状态和参数推断提供了有原则的方法，结合了参数的外层SMC采样器与估计当前时间点似然的内层粒子滤波器。尽管其理论吸引力，这种嵌套粒子滤波器带来了巨大的计算成本，限制了其在近实时疫情响应中的常规使用。我们提出集合SMC2（eSMC(2)），一种计算上更高效的变体，用集合卡尔曼滤波器（EnKF）替代内层粒子滤波器，以近似每个观测时间的增量似然。尽管这种替代通过高斯近似引入偏差，但通过无偏高斯密度估计器减轻了有限样本效应，并通过状态依赖的观测方差将EnKF适应于流行病数据。这使得我们的方法特别适用于传染病监测中常见的过度离散发病数据。与已知真值的模拟实验以及针对2022年美国（U.S.）猴痘发病数据的实际应用表明，eSMC(2)在实现显著计算增益的同时，产生与SMC2可比的后验估计。该方法能准确恢复潜在流行病轨迹和关键流行病学参数，为从不完美监测数据中实现序列贝叶斯推断提供了高效框架。
Keyword:
PARAMETER
SIMULATION
SMC2
