Piecewise linear modelling and change-point analysis of COVID-19 outbreak in Malaysia
Notice bibliographique
Résumé
Abstract In Malaysia, COVID-19 were first detected as imported cases on 25 January and as local infection on 4 February 2020. A surge of positive cases ensued by March 2020 which led to a series of countrywide containment and mitigation measures known as Movement Control Order (MCO). We study the direct effects of MCO on the course of epidemic by analyzing the cumulative and daily infection cases of COVID-19 up to 31 December 2020 in Malaysia and its states using piecewise linear regression and segment neighborhoods algorithm of change-point analysis, respectively. Through piecewise regression on nationwide cases, MCO were likely to almost flatten the epidemic curve in just one month after it was first initiated. While for stateswise cases, the average length of series of concave downward is six months before it turn to concave upward, indicating the period of which deceleration of new cases can be expected. However, the starting of this wave of COVID-19 can be relatively vary for three months in different states and federal territories. Together with change-point analysis on daily cases, the statewise epidemic phases could be subdivided into two to four regimes, whereby the majority of phase transitions fall in April and last quarter of 2020. Overall, the statistical modelling shows that the immediate effect of MCO appears to be effective.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».