Impact of (SARS-CoV-2) COVID 19 on the indigenous language-speaking population in Mexico
工作文件的重要性在于，它有助于分析与下列方面有关的案件的信息和状况：（SARS-CoV-2）COVID-19作为市、州和国家一级的开放数据，每天记录患者，根据年龄、性别、合并症，（SARS-CoV-2）COVID-19根据以下特征：a）阳性，b）阴性，c）可疑。同样，它提供了与查明门诊病人和/或住院病人有关的信息，照顾他们的医疗发展，查明：a）已出院，b）死亡和c）在墨西哥韦拉克鲁斯州讲土著语言的五个主要人口地区的第三阶段和第四阶段活动。数据分析是通过应用数据采掘算法进行的，该算法提供了快速和及时的信息，用于估计（SARS-CoV-2）COVID-19的医疗保健情景，以及了解对墨西哥土著语言人口的影响。
2020-10-23 cs.CY stat.AP
Spatial scales of COVID-19 transmission in Mexico
在新出现的传染病爆发期间，国际连通的城市往往会经历大规模和早期的爆发，而农村地区则会在一段时间后出现。这种疾病传播的层次结构主要受到人类流动的多尺度结构的影响。然而，在COVID-19疫情期间，公共卫生应对措施在设计非药物干预措施（NPI）时通常没有考虑到人类流动的明确空间结构。国家绩效指标主要在国家或区域范围内实施。在这里，我们使用每周匿名和汇总的人类流动数据以及墨西哥市级COVID-19病例、死亡和住院的空间高分辨率数据，调查应对大流行的行为变化如何改变了第一波（2020年3月至6月）传播和干预的空间尺度。我们发现，墨西哥的疫情动态最初是由来自墨西哥州和墨西哥城的SARS-CoV-2出口驱动的，那里发生了早期疫情。2020年3月下旬实施干预措施后，流动网络发生了变化，流动网络社区变得更加脱节，而这些社区的疫情变得越来越同步。我们的研究结果为如何使用网络科学和流行病学建模提供了可操作的动态见解，以告知干预措施在减缓COVID-19和一般传染病传播方面最具影响力的空间尺度。
2023-01-30 physics.soc-ph stat.AP
Assessing epidemic curves for evidence of superspreading
每个指示病例引起的继发感染的预期数量，称为再生产或$R$数量，是了解和管理流行病的重要汇总统计数据。有许多方法用于估计$R$ ;然而，很少明确建模异质性疾病繁殖，这会导致人群中的超级传播。我们提出了一个简约的离散时间分支过程模型的传染病曲线，其中包括异质个体繁殖数。我们的贝叶斯推理方法表明，这种异质性导致随时间变化的队列生殖数$R_t$的估计不太确定。我们将这些方法应用于爱尔兰共和国的COVID-19流行曲线，并找到了异质性疾病复制的支持。我们的分析使我们能够估计继发感染的预期比例归因于人口中最具传染性的比例。例如，我们估计20%最具传染性的指数病例约占预期继发感染的75-98%，后验概率为95%。此外，我们强调异质性是估计$R_t$时的重要考虑因素。
2022-02-21 q-bio.PE stat.AP
Comparing regional and provincial-wide COVID-19 models with physical distancing in British Columbia
我们使用五个省卫生当局报告的病例，研究了不列颠哥伦比亚省内各地区物理距离措施对COVID-19传播的影响。基于Anderson et al.（2020）的贝叶斯流行病学模型，我们提出了一个2020年3月至12月期间具有时变区域参数的分层区域贝叶斯模型。在此期间没有COVID-19变种和疫苗接种的情况下，我们检查了区域化的基本繁殖数量，建模的患病率，由于物理距离导致的接触相对减少，以及已检测和报告的预期病例比例。我们观察到区域和全省范围的模型之间的显着差异，并证明分层区域模型可以更好地估计区域患病率，特别是在农村地区。这些结果表明，将类似的区域模型应用于加拿大其他地区或其他国家可能会很有用。
2021-11-13 q-bio.PE stat.AP
Disease Momentum: Estimating the Reproduction Number in the Presence of Superspreading
在传染病研究中，一个感兴趣的主要数量是感染者产生的新感染的平均数量。这个所谓的繁殖数对疾病进展有重要意义。越来越多的文献表明，超级传播，即由个体引起的新感染数量的显著变化，在SARS-CoV-2的传播中起着重要作用。在本文中，我们考虑的效果，这样的超传播的再生数的估计和随后的估计未来的情况下。因此，我们对目前文献中使用的模型进行了简单的扩展，以估计繁殖数量，并对奥地利的COVID-19进展进行了案例研究。我们的模型表明，再生数的估计不确定性随着超扩展而增加，这提高了预测区间的性能。独立感兴趣的是推导出一个透明的公式，该公式将超扩散的程度与再生数的可信区间的宽度联系起来。这对于理解围绕疾病与超级传播的不确定性是一个有价值的启发。
2021-03-15 physics.soc-ph q-bio.PE stat.ME
Estimación del número de reproducción de la epidemia COVID-19 en Culiacán Sinaloa, México
目前，COVID-19疫情正在墨西哥库利亚卡利亚里锡那罗亚市发展，截至今年4月20日，已有35人因疫情死亡。流行病的繁殖数$(R_0)$代表感染者在其感染期间感染的平均人数。在这项工作中，我们使用锡那罗亚州卫生部长公布的数据，每天确认的新感染病例数，我们估计，$R_0$的值为1.562，95%置信区间为（1.401，1.742）。我们还估计了确诊病例的死亡率，结果是16.8%。- - 墨西哥库利亚坎锡那罗亚城的COVID-19疫情已经持续了35年之久，今年4月20日已经开始蔓延。El número de reproducción $(R_0)$ de una mia representa el número promedio de personas contagiadas por una personas infectada durante su periodo de infección.在这一工作中，我们使用锡那罗亚州卫生秘书处公布的数据，证实了$R_0$的价值为1.562，其中95%的置信区间为（1.401，1.742）。据估计，确诊病例的死亡率为16.8%。
2020-04-21 q-bio.PE stat.AP
Human mobility patterns in Mexico City and their links with socioeconomic variables during the COVID-19 pandemic
手机地理定位数据的可用性为研究人类移动模式以及这些模式如何受到最近流行病的影响提供了一个绝佳的机会。两个简单的中心性指标使我们能够测量使用此类数据构建的起点-目的地网络中的两个不同方面的移动性：连接到某个节点的各种地方（度）和往返于给定节点的人数（强度）。在这篇文章中，我们分析了2020年大墨西哥城每日始发地-目的地网络的节点度和强度。与在许多复杂网络中观察到的不同，这些源-目的地网络不是无标度的。相反，有一个由分布峰值定义的特征尺度;中心性分布呈现出倾斜的双尾分布，在峰值的每一侧都有幂律衰减。我们发现，高流动性地区往往更靠近市中心，人口更多，社会经济条件更好。行为异常的地区几乎总是在城市的外围，在那里我们也可以观察到东西部之间流动模式的质的差异。最后，我们研究了COVID-19大流行病爆发导致的流动限制对这些流动模式的影响。
2022-08-12 cs.SI stat.AP
Use of mobile phone sensing data to estimate residence and mobility times in urban patches during the COVID-19 epidemic: The case of the 2020 outbreak in Hermosillo, Mexico
本研究利用手机GPS数据和Brownian bridge模型推断城市人口流动与停留时间，并将估计的居住-流动矩阵纳入多斑块SEIR模型，以评估政府干预对流动变化的影响。
2024-03-23 cs.SI physics.soc-ph stat.AP
Estimation of the Distribution of the Individual Reproduction Number: The Case of the COVID-19 Pandemic
我们研究了估计COVID-19大流行的个体繁殖数量分布的问题。假设该随机变量遵循负二项分布，我们专注于使用报告的感染数据构建该分布参数的估计值，并考虑报告不足或感染和报告过程的时间行为等问题。为此，我们从德国卫生当局报告的区域分解数据中提取信息，以估计不仅是平均值，而且还方差的个人生殖数量的分布。与平均数不同，后一个参数还取决于未知的大流行漏报率。所获得的估计不仅可以更好地了解随时间变化的行为的预期值的个人繁殖数量，但也其分散，建设的自助置信区间和讨论的影响，不同的政策干预。我们的方法学调查伴随着对德国COVID-19大流行发展的实证研究，该研究显示个体生殖数量的过度分散。
2021-01-20 stat.AP stat.ME
Monitoring the spread of COVID-19 by estimating reproduction numbers over time
为了控制目前2019年冠状病毒病的爆发，需要对疫情进行持续监测，因为截至目前，还没有针对它的疫苗或抗病毒药物。我们在https://stochastik-tu-ilmenau.github.io/COVID-19/上提供每日更新的繁殖数量估计。在本文中，我们描述了我们正在使用的估计量，该估计量是在（Fraser 2007）中开发的，推导出其渐近性质，并详细介绍了其实现。此外，我们验证了模拟数据上的估计，证明了真实数据上的估计导致合理的结果，并进行了敏感性分析。最后，我们讨论了为什么获得的估计需要小心解释。
2020-04-18 q-bio.PE stat.AP stat.ME
Regional estimates of reproduction numbers with application to COVID-19
去年，许多公共卫生决策都是基于对持续的COVID-19疫情传播的实时监测。为此，人们经常考虑繁殖数，它衡量单个传染性个体产生的继发病例的数量。虽然在国家一级很容易获得这一数量的估计数，但在国家以下一级，例如在县一级，估计数造成了更多的困难，因为那里发生的事件很少。然而，由于对这一流行病的对策通常是在国家以下一级执行的，这种估计对评估所采取措施的效力和指导未来的政策具有重大意义。我们提出了一个新的扩展的良好建立的估计国家一级的再生产数量的县级应用技术，从小面积估计。这个新的估计量产生合理的估计，在国家和县一级的再生产数量。它可以处理县一级的低和高度可变的病例数，并可用于区分局部疫情和更广泛的疫情。我们证明了我们的新估计的能力，通过模拟研究，并通过估计德国的情况下的数据。
2021-08-31 stat.AP stat.ME
A time series method to analyze incidence pattern and estimate reproduction number of COVID-19
2019年底，中国武汉爆发了持续的冠状病毒病（COVID-19）大流行。它已经影响了30多万人，全球死亡人数接近13000人。由于它对全球公共卫生构成巨大威胁，因此确定该疾病的传播速度至关重要。在这项研究中，我们提出了一个时间序列模型来分析COVID-19疫情发生率的趋势模式。我们还将有关全面或部分封锁的信息（如有）纳入模型中。该模型结构简洁，并使用适当的诊断措施，我们表明，一个时间依赖的二次趋势成功地捕捉疾病的发病率模式。我们还估计了不同国家的基本再生产数，发现除了美国之外，其他国家的基本再生产数是一致的。上述统计分析有助于了解疫情的发展趋势，并有助于了解一个地区所处的流行病学阶段。这有可能有助于促进不同国家应对COVID-19疫情的政策。
2020-03-24 q-bio.PE stat.AP
Simultaneous estimation of the effective reproduction number and the time series of daily infections: Application to Covid-19
ETH Zürich（苏黎世联邦理工学院）
提出一种贝叶斯方法，通过新颖的MCMC算法联合估计每日新感染数和有效再生数，在Covid-19数据上比三步法更准确。
2026-06-01 stat.AP stat.ME
Covid19 Reproduction Number: Credibility Intervals by Blockwise Proximal Monte Carlo Samplers
CNRS（法国国家科学研究中心）；Institut de Mathématiques de Toulouse（图卢兹数学研究所）；Nantes Université（南特大学）；École Centrale Nantes（南特中央理工学院）；LS2N（南特数字科学实验室）；ENS de Lyon（里昂高等师范学院）；Laboratoire de Physique（物理实验室）
针对非光滑反问题再生数估计缺乏可信区间的问题，本文将其纳入贝叶斯框架，提出结合 Langevin Monte Carlo 与近端算子的分块采样算法，并在多国新冠数据上验证。
2023-03-08 cs.LG eess.SP stat.AP
Temporal evolution of the Covid19 pandemic reproduction number: Estimations from proximal optimization to Monte Carlo sampling
监测Covid 19大流行的演变是卫生政策设计的关键一步。然而，由于公共卫生当局提供的数据质量有限（尤其是缺失数据、异常值和伪季节性），在大流行期间评估大流行强度仍然是一项具有挑战性的任务，这需要在估计之前进行繁琐和临时的预处理（去噪）。最近，估计的繁殖数，衡量流行病的强度，制定了一个反问题，结合数据模型的保真度和时空规律性的约束，解决了非光滑凸邻近最小化。尽管前景看好，但该公式在Covid 19数据和置信度评估的有限质量下缺乏稳健性。目前的工作旨在解决这两个局限性：首先，它讨论了解决方案，以产生一个强大的评估大流行的强度占低质量的数据直接在反问题的制定。其次，利用反问题公式的贝叶斯解释，它设计了一个蒙特卡洛抽样策略，针对非光滑对数凹后验分布，以产生相关的可信区间估计Covid 19再现数。临床相关性应用于约200个国家卫生当局公开的每日新发感染计数，拟议程序允许对Covid 19大流行强度的时间演变进行可靠评估，并每天自动更新。
2022-02-11 physics.soc-ph q-bio.PE stat.AP
The impact of undetected cases on tracking epidemics: the case of COVID-19
用于跟踪传染病演变的关键指标之一是繁殖数。这一数量通常是使用已确认的病例数计算的，但忽略了可能有更多的人被感染（例如，渐近）。我们提出了一个统计程序，以量化的影响，未检测到的传染病病例的有效繁殖数的确定。我们的方法是随机的，数据驱动的，不依赖于任何分隔模型。它被应用于8个不同国家和所有意大利地区的COVID-19病例，表明未被发现的病例的影响导致有效繁殖数量的估计值比仅报告病例获得的估计值大2到10倍。我们的研究结果敦促谨慎决定何时以及如何根据繁殖数量的值放松遏制措施。
2020-05-13 q-bio.PE q-bio.QM stat.AP
Nonsmooth convex optimization to estimate the Covid-19 reproduction number space-time evolution with robustness against low quality data
Univ. Lille, CNRS, Centrale Lille（里尔大学、法国国家科学研究中心、中央理工学院里尔）；CNRS, ENS de Lyon, Laboratoire de Physique（法国国家科学研究中心、里昂高等师范学院、物理实验室）；INRIA, ENS de Lyon, Laboratoire d’Informatique（法国国家信息与自动化研究所、里昂高等师范学院、计算机实验室）
研究旨在克服新冠病毒再生数估计对低质量数据缺乏稳健性的问题，通过精心设计泛函，联合估计再生数和异常值，增强正则性并保持凸性，设计高效算法，经理论证明和实际数据验证，还将实现估计值自动更新并公开开源程序。
2026-07-23 eess.SP math.OC stat.AP
Statistical methods used to combine the effective reproduction number, R(t), and other related measures of COVID-19 in the UK
在最近的COVID-19大流行中，广泛的流行病学建模方法被用于预测有效繁殖数R（t）和其他COVID-19相关指标，如每日指数增长率r（t）。这些候选模型使用不同的建模方法或关于空间或年龄混合的不同假设，有些模型捕捉到了对疾病动态的科学理解中真正的不确定性。使用适当的统计方法学从多个候选模型中组合估计值对于更好地理解这些结果测量的变化以帮助为决策提供信息非常重要。在本文中，我们结合这些估计为特定的英国国家和地区使用随机效应荟萃分析技术，利用限制极大似然法（REML）估计的异质性方差参数，和两种方法来计算联合估计的置信区间：标准的Wald型区间;和Knapp和Hartung（KNHA）的方法。由于这一背景下的估计数是使用模型预测得出的，每个模型预测的不确定性程度不同，因此与更标准的逆方差加权相比，更倾向于采用相等的加权，以避免可能对提供不确定性程度较低的估计数的模型进行加权，因为这些模型没有充分考虑到固有的不确定性。利用这些荟萃分析技术，可以计算关键COVID-19结果指标的统计学稳健的综合估计。这反过来又可以根据所有可用信息做出及时和明智的决策。
2021-08-12 physics.soc-ph q-bio.PE stat.AP
Assessing the Time Evolution of COVID-19 Effective Reproduction Number in Brazil
本文采用贝叶斯方法估计巴西不同地理层级的COVID-19有效再生数R(t)，并与每日报告感染数移动平均比较，发现局部监测更能反映差异并支撑非药物干预政策设计。
2023-06-01 stat.AP
Joint Reproduction Number and Spatial Connectivity Structure Estimation via Graph Sparsity-Promoting Penalized Functional
Nantes Université, École Centrale Nantes, CNRS, LS2N, UMR 6004（南特大学，中央理工-南特学院，法国国家科学研究中心，LS2N实验室）
本文提出了一种联合估计再生产数和空间连接结构的方法，以提高流行病监测的准确性和稳健性。
2026-01-13 eess.SP math.OC stat.AP
Maximum likelihood estimation for a stochastic SEIR system for COVID-19
流行病数据驱动模型的参数估计是一个重要的研究课题。在某些情况下，我们可以通过用适当的噪声项描述不确定性来制定更好的模型。然而，由于有限的范围和部分信息，（一般）这种模型导致棘手的可能性。在这里，我们说明了SEIR模型的随机扩展如何改进基于其确定性模型的高估MCMC方案的不确定性量化，以计算墨西哥城确诊的COVID-19病例。利用一种特殊的机制来管理缺失数据，我们对随机模型的一些参数发展了极大似然估计，改进了对实际数据方差的描述。
2021-11-24 math.PR stat.AP stat.ME
Modelling COVID-19 -- I A dynamic SIR(D) with application to Indian data
我们提出了一个流行病模型，采用自适应动态三室（四状态）SIR（D）模型。我们的方法在精神上类似于非参数曲线拟合，并自动适应关键的外部因素，如干预措施，同时保留了标准SIR（D）模型的简约性。通过在选定的滞后期内使感染、恢复和死亡数量的总残差平方和最小化，获得模型参数的初始动态时间估计。然后应用几何平滑器以获得估计的最终时间序列。这些估计数用于获得对这一流行病的关键特征（即“繁殖数”）的动态时间稳健估计。我们用2020年3月14日至8月31日期间的印度COVID-19数据说明了我们的方法。36个州和中央直辖区的时间序列数据图显示，该流行病的预后明显存在地区间差异。这也是由基本参数的估计数，包括36个区域的生殖数量。由于这一点，SIR（D）模型，动态的或其他的，对国家的总体数据是不适合强大的本地预测。模型估计的时间序列使我们能够进行每日、每周和长期预测，包括预测带的构建。我们获得了很好的协议之间的实际数据和模型预测的数据在区域一级。我们估计目前的繁殖数量在三个地区（安得拉邦，马哈拉施特拉邦和北方邦）超过2，在13个地区在1.5和2之间。这些区域中的每一个都经历了一个单独的轨迹，这通常涉及冲击的初始阶段，随后是相对稳定的较低水平的再生数。
2020-09-10 stat.AP stat.ME
The relationship between human mobility and viral transmissibility during the COVID-19 epidemics in Italy
2020年，受COVID-19疫情影响的国家实施了各种非药物干预措施，以对比病毒的传播及其对医疗系统和经济的影响。我们使用意大利不同地理尺度的数据，调查了人口流动性（包括人口对不断变化的情况的反应的许多方面）与COVID-19传播之间的关系。利用2020年2月至9月的移动电话数据，我们发现移动流量的减少与净再生产数量之间存在显着的关系。我们发现，关闭流动性，使净繁殖数低于临界阈值1所需的时间约为一周。此外，我们观察到在封锁引起的流动性下降之前超过这一阈值的天数与每10万居民的感染总数之间存在很强的关系。随着时间的推移，估计流动性流量对净再生产数量的统计影响，我们记录了一个2周的滞后正相关，在3月和4月较强，6月较弱，但仍然显着。我们的研究证明了大规模流动数据在监测疫情和在疫情发展过程中为控制干预提供信息方面的价值。
2021-04-01 cs.SI physics.soc-ph stat.AP
COVID-19 mortality prediction: A case study for İstanbul
在本文中，我们使用SEIR方程对伊斯坦布尔因COVID-19死亡的人数进行预测。使用超额死亡率方法，我们找到了2020年和2021年前三波的死亡人数。我们表明，我们的模型的预测是一致的道德数量为每个波。此外，我们预测了2021年第二波死亡人数。我们还扩展了我们的分析，德国，意大利和土耳其比较伊斯坦布尔的基本再现数$R_0$。最后，我们计算了伊斯坦布尔的群体免疫感染人数。
2022-01-23 q-bio.PE stat.AP
Use of alternative data: High frequency readout of the situation -- COVID policies, mobility, and R-Number
替代数据发挥着重要作用，尤其是在危机期间。几个月的僵局使我们认识到它们对政策反应的重要性。在尼泊尔，政府采取了原地不动措施，实物数据收集活动暂停。COVID-19的确诊病例一直在稳步增加，该国处于高度戒备状态。在这种僵局中，在疫情爆发过程中可能产生的继发病例数量--繁殖数量对监测COVID-19的传播性是有用的。由于R值正在迅速变化，它可能受到一系列因素的影响，不仅包括疾病的传染性，还包括政府如何应对以及人口的行为。世界卫生组织（世卫组织）已向尼泊尔政府提出若干建议，以遏制COVID-19的进一步传播。为了了解尼泊尔如何应对冠状病毒大流行，我们查看了替代数据集，以更好地了解COVID期间的流行政策、流动性和R值。
2021-08-31 stat.AP
Estimating undocumented Covid-19 infections in Cuba by means of a hybrid mechanistic-statistical approach
我们采用参考文献[1]的混合机械统计方法来估计古巴无记录的Covid-19感染总数。该方案是基于最大似然估计的SIR类模型参数的感染人口，假设检测过程匹配伯努利试验。我们的估计表明，（a）60%的感染没有记录，（b）数据背后的真正流行病在报告提出的10天前达到峰值，（c）繁殖数量在80天后迅速消失。
2020-08-07 math.DS q-bio.PE stat.AP
Risk Estimate under a Time-Varying Autoregressive Model for Data-Driven Reproduction Number Estimation
本文提出广义时变自回归模型估计COVID-19再生数，通过推广Stein无偏风险估计构建数据驱动预言机选择超参数，提出每周缩放Poisson模型提升鲁棒性，并在合成与真实数据上验证有效性。
2025-08-12 eess.SP stat.AP stat.ME
