Bayesian non-parametric inference for stochastic epidemic models using Gaussian Processes.
Bayesian non-parametric inference for stochastic epidemic models using Gaussian Processes.
复制标题
DOI：
10.1093/biostatistics/kxw011
复制
发表时间：
2016-10
期刊：
影响因子：
--
通讯作者：
O'Neill PD
中科院分区：
文献类型：
--
作者：
Xu X;Kypraios T;O'Neill PD
本文研究了随机流行病模型的新型贝叶斯非参数方法。许多标准的建模和数据分析方法使用基本假设(例如，关于新病例的发生率)，这些假设在实践中很少受到质疑或检验。为了放松这些假设，我们发展了一个使用高斯过程的贝叶斯非参数方法，特别是用来估计感染过程。用模拟数据集和真实数据集说明了这些方法，前者说明这些方法在实际应用中可以很好地恢复真实的感染过程，后者说明这些方法可以在不同的环境中成功地应用。
This paper considers novel Bayesian non-parametric methods for stochastic epidemic models. Many standard modeling and data analysis methods use underlying assumptions (e.g. concerning the rate at which new cases of disease will occur) which are rarely challenged or tested in practice. To relax these assumptions, we develop a Bayesian non-parametric approach using Gaussian Processes, specifically to estimate the infection process. The methods are illustrated with both simulated and real data sets, the former illustrating that the methods can recover the true infection process quite well in practice, and the latter illustrating that the methods can be successfully applied in different settings.
登录
查看更多内容
DOI：
10.1111/1467-985x.00125
发表时间：
1999-01-01
影响因子：
2
作者：
O'Neill, PD;Roberts, GO
通讯作者：
Roberts, GO
影响因子：
3.9
作者：
Cauchemez, Simon;Ferguson, Neil M.
通讯作者：
Ferguson, Neil M.
DOI：
10.1111/1467-9876.00210
发表时间：
2000-01-01
影响因子：
1.6
作者：
O'Neill, PD;Balding, DJ;Mollison, D
通讯作者：
Mollison, D
影响因子：
1.1
作者：
Hayakawa, Y;O'Neill, PD;Yip, PSF
通讯作者：
Yip, PSF
影响因子：
6.4
作者：
Fang, CT;Hsu, HM;Chuang, CY
通讯作者：
Chuang, CY