我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
禽流感等传染病对人类健康构成全球性威胁。数学和统计模型可以提供对传染病传播和持续存在机制的关键见解,尽管它们的实用性与将这些模型充分校准为观测数据的能力有关。对这些系统执行鲁棒推理是一项挑战。基础模型表现出复杂的非线性动力学,再加上观察关键流行病学事件(如传播)的实际限制,这需要使用能够在多个隐藏状态上进行数值积分和/或推断缺失信息的推理技术。基于仿真的推理技术,如近似贝叶斯计算(ABC),在这一领域显示出了巨大的前景,因为它们依赖于合适的仿真模型的开发,与需要计算难以处理的似然函数的例程相比,这些模型通常更容易编码和推广。在本文中,我们对提高基于ABC的粒子马尔可夫链蒙特卡罗方法的效率做出了一些贡献,并展示了这些方法在贝叶斯框架中执行模型推理和模型比较的实用性。我们在两个模拟数据上说明了这些方法,以及转基因鸡中高致病性禽流感的实验传播研究的真实数据。
特雷维廉·J·麦金利。 彼得·尼尔。 西蒙·斯宾塞(Simon E.F.Spencer)。 安德鲁·康兰(Andrew J.K.Conlan)。 劳伦斯·蒂利。 “部分观测过程的有效贝叶斯模型选择:应用于传染病的实验传播研究。” 贝叶斯分析。 15 (3) 839 - 870, 2020年9月。 https://doi.org/10.1214/19-BA1174