• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Statistics and computing >Efficient likelihood-free Bayesian Computation for household epidemics
【24h】

Efficient likelihood-free Bayesian Computation for household epidemics

机译：用于家庭流行病的高效无可能性贝叶斯计算

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Considerable progress has been made in applying Markov chain Monte Carlo (MCMC) methods to the analysis of epidemic data. However, this likelihood based method can be inefficient due to the limited data available concerning an epidemic outbreak. This paper considers an alternative approach to studying epidemic data using Approximate Bayesian Computation (ABC) methodology. ABC is a simulation-based technique for obtaining an approximate sample from the posterior distribution of the parameters of the model and in an epidemic context is very easy to implement. A new approach to ABC is introduced which generates a set of values from the (approximate) posterior distribution of the parameters during each simulation rather than a single value. This is based upon coupling simulations with different sets of parameters and we call the resulting algorithm coupled ABC. The new methodology is used to analyse final size data for epidemics amongst communities partitioned into households. It is shown that for the epidemic data sets coupled ABC is more efficient than ABC and MCMC-ABC.
机译：在将马尔可夫链蒙特卡洛（MCMC）方法应用于流行病数据分析方面已经取得了可观的进展。但是，由于有关流行病爆发的可用数据有限，因此这种基于可能性的方法可能效率不高。本文考虑了使用近似贝叶斯计算（ABC）方法研究流行病数据的另一种方法。 ABC是一种基于仿真的技术，用于从模型参数的后验分布中获取近似样本，并且在流行环境中非常容易实现。引入了一种新的ABC方法，该方法在每个模拟过程中根据参数的（近似）后验分布生成一组值，而不是单个值。这是基于具有不同参数集的耦合模拟，我们将结果算法称为ABC耦合。这种新方法用于分析最终规模数据，以划分为家庭的社区之间的流行病。结果表明，对于流行病数据集，ABC耦合比ABC和MCMC-ABC更有效。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号