×

RLadyBug–随机流行病模型的R包。 (英语) Zbl 1317.62003年

摘要:RLadyBug是一个S4包,用于模拟、可视化和估计R中的随机流行病模型。可以执行最大似然和贝叶斯推断来估计易感人群感染-再感染(SEIR)模型中的参数,这是一个描述单一传染病暴发的随机模型。因此,该软件包是向支持参数估计、置信区间计算和传输模型假设检验的统计软件迈出的一步。

MSC公司:

62-04 统计相关问题的软件、源代码等
62页第10页 统计学在生物学和医学中的应用;元分析
92天30分 流行病学
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Andersson,H.,Britton,T.,2000年。随机流行病模型及其统计分析。施普林格统计学讲义,第151卷,施普林格,柏林。;Andersson,H.,Britton,T.,2000年。随机流行病模型及其统计分析。斯普林格统计学讲义,第151卷,柏林斯普林格·Zbl 0951.92021号
[2] 钱伯斯,J.M.,1998年。用数据编程——S语言指南。施普林格。;钱伯斯,J.M.,1998年。用数据编程——S语言指南。斯普林格·Zbl 0902.68022号
[3] 杜武夫,J。;拉文斯,H。;科恩,F。;Vanderhallen,H。;Mintiens,K.,接种E2亚单位标记疫苗和未接种疫苗的猪中典型猪瘟的实验感染,《疫苗》,19475-482(2001)
[4] 唐纳利,C。;Ghani,A.,《实时流行病学——了解SARS的传播》,《重要性》,第1176-179页(2004年)
[5] 格兰德曼,H。;Hellriegel,B.,《数学建模:医院感染控制工具》,《柳叶刀感染》。数字化信息系统。,6, 39-45 (2006)
[6] Höhle,M。;约根森,E。;O'Neill,P.,《利用随机流行病模型进行疾病传播实验的推断》,J.Roy。统计人员。Soc.序列号。C、 54、2、349-366(2005)·Zbl 1490.62359号
[7] 克林肯伯格,D。;德布雷,J。;拉文斯,H。;de Jong,M.,《经典猪瘟病毒的围栏内和围栏间传播:从传播实验估计基本繁殖率的新方法》,《流行病学》。感染。,128, 2, 293-299 (2002)
[8] 拉文斯,H。;科恩,F。;Deluyker,H。;de Kruif,A.,《用猪瘟病毒对屠宰猪的实验感染:病毒的传播、病程和抗体反应》,兽医。记录,145243-248(1999)
[9] Meyns,T。;梅斯,D。;德武夫,J。;维卡,J。;海斯布鲁克,F。;de Kruif,A.,使用传播实验量化猪肺炎支原体在苗猪中的传播,Prev。兽医。医学,66,265-275(2004)
[10] 奥尼尔,P.D。;Becker,N.G.,《当敏感性发生变化时对流行病的推断》,生物统计学,2,1,99-108(2001)·Zbl 1017.62115号
[11] Plummer,M.、Best,N.、Cowles,K.、Vines,K.,2006年。尾码:MCMC的输出分析和诊断。R软件包版本0.10-5。;Plummer,M.、Best,N.、Cowles,K.、Vines,K.,2006年。尾码:MCMC的输出分析和诊断。R包版本0.10-5。
[12] R开发核心团队,2006年。R: 统计计算语言和环境。R统计计算基金会,奥地利维也纳,ISBN 3-900051-07-0。;R开发核心团队,2006年。R: 统计计算语言和环境。R统计计算基金会,奥地利维也纳,ISBN 3-900051-07-0。
[13] B.J.史密斯,2005年。boa:MCMC的贝叶斯输出分析程序(boa)。R软件包版本1.1.5-2。;B.J.史密斯,2005年。boa:MCMC的贝叶斯输出分析程序(boa)。R软件包版本1.1.5-2。
[14] 斯特尔克,K。;Pfeiffer,D。;Morris,R.,Within-farm spread of classical猪瘟病毒——一个随机模拟模型的蓝图,Vet。季刊,22,1,36-43(2000)
[15] Urbanek,S.,2006年。rJava:低级别R到Java接口。R包版本0.4-3。;Urbanek,S.,2006年。rJava:低级别R到Java接口。R包版本0.4-3。
[16] Wierman,J。;Marchette,D.,用易感感染-易感模型模拟计算机病毒流行,重新引入,计算机。统计人员。数据分析。,45, 3-23 (2004) ·兹比尔1429.68037
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。