A Bayesian model calibration framework for stochastic compartmental models with both time-varying and time-invariant parameters
Notice bibliographique
Résumé
We consider state and parameter estimation for compartmental models having both time-varying and time-invariant parameters. In this manuscript, we first detail a general Bayesian computational framework as a continuation of our previous work. Subsequently, this framework is specifically tailored to the susceptible-infectious-removed (SIR) model which describes a basic mechanism for the spread of infectious diseases through a system of coupled nonlinear differential equations. The SIR model consists of three states, namely, the susceptible, infectious, and removed compartments. The coupling among these states is controlled by two parameters, the infection rate and the recovery rate. The simplicity of the SIR model and similar compartmental models make them applicable to many classes of infectious diseases. However, the combined assumption of a deterministic model and time-invariance among the model parameters are two significant impediments which critically limit their use for long-term predictions. The tendency of certain model parameters to vary in time due to seasonal trends, non-pharmaceutical interventions, and other random effects necessitates a model that structurally permits the incorporation of such time-varying effects. Complementary to this, is the need for a robust mechanism for the estimation of the parameters of the resulting model from data. To this end, we consider an augmented state vector, which appends the time-varying parameters to the original system states whereby the time evolution of the time-varying parameters are driven by an artificial noise process in a standard manner. Distinguishing between time-varying and time-invariant parameters in this fashion limits the introduction of artificial dynamics into the system, and provides a robust, fully Bayesian approach for estimating the time-invariant system parameters as well as the elements of the process noise covariance matrix. This computational framework is implemented by leveraging the robustness of the Markov chain Monte Carlo algorithm permits the estimation of time-invariant parameters while nested nonlinear filters concurrently perform the joint estimation of the system states and time-varying parameters. We demonstrate performance of the framework by first considering a series of examples using synthetic data, followed by an exposition on public health data collected in the province of Ontario.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».