Heterogeneity learning for SIRS model: an application to the COVID-19

我们提出了一种贝叶斯异质性学习（Bayesian Heterogeneity Learning）方法，用于敏感-感染-清除-敏感（SIRS）模型，该模型允许不同区域之间最新冠状病毒（COVID-19）的传播率、恢复率和免疫丧失率的潜在聚类模式。我们提出的方法同时提供了参数估计和包含簇数和簇配置的簇信息的推断。具体来说，我们的关键思想是将SIRS模型公式化为层次形式，并为异构学习分配有限混合先验值。研究了所提出模型的特性，并使用马尔可夫链蒙特卡罗抽样算法对后验分布进行抽样。进行了广泛的仿真研究，以检验所提方法的经验性能。我们进一步应用所提出的方法分析美国各州的新型冠状病毒肺炎数据。