A Bayesian framework for parameter estimation in dynamical models.
A Bayesian framework for parameter estimation in dynamical models.
复制标题
DOI：
10.1371/journal.pone.0019616
复制
发表时间：
2011
期刊：
影响因子：
3.7
通讯作者：
Gomes MG
中科院分区：
文献类型：
--
作者：
Coelho FC;Codeço CT;Gomes MG
生物学中的数学模型是研究和探索复杂动力学的有力工具。然而，将理论结果与实验观测结果相一致，需要承认我们对真实系统的理论表示所固有的巨大不确定性。正确处理这种不确定性是成功使用模型来预测实验或现场观测的关键。多年来，许多用于模型校准和参数估计的工具已经解决了这个问题。在这篇文章中，我们提出了一个不确定分析和参数估计的一般框架，旨在处理与动态生物系统建模相关的不确定因素，同时保持对所使用的模型类型的不可知性。我们将该框架应用于三个欧洲国家：比利时、荷兰和葡萄牙的7年发病率数据，以拟合类似SIR的流感传播模型。
Mathematical models in biology are powerful tools for the study and exploration of complex dynamics. Nevertheless, bringing theoretical results to an agreement with experimental observations involves acknowledging a great deal of uncertainty intrinsic to our theoretical representation of a real system. Proper handling of such uncertainties is key to the successful usage of models to predict experimental or field observations. This problem has been addressed over the years by many tools for model calibration and parameter estimation. In this article we present a general framework for uncertainty analysis and parameter estimation that is designed to handle uncertainties associated with the modeling of dynamic biological systems while remaining agnostic as to the type of model used. We apply the framework to fit an SIR-like influenza transmission model to 7 years of incidence data in three European countries: Belgium, the Netherlands and Portugal.
登录
查看更多内容
DOI：
10.1590/s0102-311x2008000400016
发表时间：
2008-04-01
期刊：
Cadernos de Saúde Pública
影响因子：
--
作者：
Coelho, Flávio Codeço;Codeço, Cláudia Torres;Struchiner, Claudio José
通讯作者：
Struchiner, Claudio José
影响因子：
1.1
作者：
Girolami, Mark
通讯作者：
Girolami, Mark
影响因子：
1.8
作者：
Breto, Carles;He, Daihai;King, Aaron A.
通讯作者：
King, Aaron A.
影响因子：
3.6
作者：
Alkema, L.;Raftery, A. E.;Brown, T.
通讯作者：
Brown, T.
影响因子：
3.7
作者：
Bettencourt LM;Ribeiro RM
通讯作者：
Ribeiro RM