...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Biostatistics >Inference for discretely observed stochastic kinetic networks with applications to epidemic modeling
【24h】

Inference for discretely observed stochastic kinetic networks with applications to epidemic modeling

机译：离散观测的随机动力学网络的推论及其在流行病建模中的应用

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

We present a new method for Bayesian Markov Chain Monte Carlo-based inference in certain types of stochastic models, suitable for modeling noisy epidemic data. We apply the so-called uniformization representation of a Markov process, in order to efficiently generate appropriate conditional distributions in the Gibbs sampler algorithm. The approach is shown to work well in various data-poor settings, that is, when only partial information about the epidemic process is available, as illustrated on the synthetic data from SIR-type epidemics and the Center for Disease Control and Prevention data from the onset of the H1N1 pandemic in the United States. The
机译：我们为某些类型的随机模型中基于贝叶斯马尔科夫链蒙特卡罗的推理提供了一种新方法，适用于建模嘈杂的流行数据。为了有效地在Gibbs采样器算法中生成适当的条件分布，我们应用了马尔可夫过程的所谓均一化表示。该方法在各种数据贫乏的环境中均能很好地发挥作用，也就是说，只有有关流行病过程的部分信息可用时，如SIR型流行病的综合数据和美国疾病预防控制中心的数据所示。 H1N1大流行在美国的发作。的

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