ANOVA to Compare Three Methods to Track COVID-19 in Nine Countries
Notice bibliographique
Résumé
A new coronavirus denominated first 2019-nCoV and later SARS-CoV-2 was found in Wuhan, China in December of 2019. This paper compares three mathematical methods: nonlinear regression, SIR, and SEIR epidemic models, to track the covid-19 disease in nine countries affected by the SARS-CoV-2 virus, to help epidemiologists to know the disease trajectory, considering initial data in the pandemic, mainly 100 days from the beginning. To evaluate the results obtained with the three methods one-way ANOVA is applied. The average of predicted infected cases with SARS-CoV-2, obtained with the mentioned methods was: for United States of America 1,098,508, followed by Spain with 226,721, Italy with 202,953, France with 183,897 United Kingdom with 182,190, Germany with 159,407, Canada with 58,696, Mexico with 50,366 and Argentina with 4,860 in average. The one-way ANOVA does not show a significant difference among the results of the projected infected cases by SARS-CoV-2, using nonlinear regression, SIR, and SEIR epidemic methods. The above could mean that initially any method can be used to model the pandemic course.
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 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».