Modeling and Forecasting for the number of cases of the COVID-19 pandemic with the Curve Estimation Models, the Box-Jenkins and Exponential Smoothing Methods
Notice bibliographique
Résumé
Objectives: This study aims to provide statistical information summarizing the general structure about the effects and process of infection in all countries of the world in the light of the data obtained and to model the daily change of infection criteria. Methods: The number of COVID 19 epidemic cases of Turkey and the selected G8 countries, Germany, United Kingdom, France, Italy, Russia, Canada, Japan between 1/22/2020 and 3/22/2020 has been estimated and forecasted in this study by using some curve estimation models, Box-Jenkins (ARIMA) and Brown/Holt linear exponential smoothing methods. Results: Japan (Holt Model), Germany (ARIMA (1,4.0)) and France (ARIMA (0,1,3)) provide statistically significant but clinically unqualified results in this data set. UK (Holt Model), Canada (Holt Model), Italy (Holt Model), Turkey (ARIMA (1,4,0)) and Russia?? the results are more reliable. This is specified for the particular model used in this case Turkey. Conclusion: Certainly, more accurate evaluations can be made with more data in future studies. Nevertheless, since this study provides information about the levels at which the number of cases may extend in case that the current situation is not intervened, it can guide countries to take the necessary measures and to intervene it earlier. 
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».