Estimating the impact of the COVID-19 pandemic using granular mortality data
我们提出了Li和Lee模型的扩展，以量化COVID-19大流行期间五个欧洲国家的死亡率。前两个因素用于模拟COVID前的死亡率，第一层模拟共同趋势，第二层模拟特定国家与共同趋势的偏离。我们增加第三层，以反映二零二零年及二零二一年COVID-19对国家的影响超过COVID-19前的趋势。我们使用短期死亡率波动数据库中的每周死亡率数据来校准第三个因素，我们使用荷兰死亡的更细粒度数据集来评估更详细数据的附加值。我们使用我们的框架，根据疫情未来发展的不同可能情况来确定死亡率预测。
2022-09-14 stat.AP
Impact of COVID-19 Pandemic on Energy Demand in Estonia
2019冠状病毒病疫情引发了如何衡量和评估所应用限制是否足够的问题。现有的研究提出了各种方法，主要分为统计和机器学习技术。本文通过引入一个简单而准确的线性回归模型加入了这一研究领域，该模型消除了每周周期、可用日光、温度和风对电力消耗数据的影响。该模型使用真实数据进行验证，并能够定性分析经济影响。
2022-01-17 stat.AP
Selection of an engineering institution: Students perceptions of choice characteristics and suitability under the COVID-19 pandemic
COVID 19对印度工程机构（EI）产生了巨大影响。它已经收紧了围绕EI的结，迫使他们之前的半关闭阴影完全关闭，以防止传播COVID 19的风险。在这种情况下，在EI校园获取新的入学是一项艰巨而具有挑战性的任务，因为学生的行为和家庭偏好由于精神压力和情绪而发生了巨大的变化。因此，研究COVID-19大流行期间影响EI选择的选择特征成为新入学正常化的先决条件。本研究的目的是批判性地考察影响学生选择EI的选择特征，从而探索机构特征和EI在COVID 19大流行期间对学生特征的适用性之间的关系。这项研究的结果显示，不同的学生特征的EIs在大流行条件下的适用性。回归分析显示，邻近性、形象和声誉、优质教育和课程交付等EI特征对COVID 19下的适合性有显著贡献。在微观层面上，不同学生特征的情感教育特征与疫情下情感教育的适宜性之间存在多重关系。该研究成功展示了如何执行选择特征，以调节新冠肺炎大流行下EI的适用性，以纳入多样性。政策制定者和学术界对在大流行期间获得多样性的环境影响机构进行重新定位是有益的。这项研究是第一个提供洞察的选择特性的性能和他们的关系与环境影响报告书的适用性在一个流行病，并可以在管理新的登记的尺度。
2021-03-30 stat.AP
Managing mental & psychological wellbeing amidst COVID-19 pandemic: Positive psychology interventions
COVID-19大流行动摇了全球医疗设施的根基，美国是受影响最严重的国家之一，尽管美国是超级大国。随着当前的大流行，COVID-19如果不加以重视，可能导致精神健康大流行的继发性危机。过去的流行病、金融风暴和大流行病，特别是SARS和MERS的各种研究表明，一般人群中抑郁、生活质量低、自残和自杀倾向等精神和心理问题急剧增加。最值得尊敬的是由于社会歧视而被感染和治愈的个人。政府正采取措施控制及预防COVID-19进一步感染。然而，在印度等发展中国家，人们的精神和心理健康仍然被忽视。印度在精神和心理健康方面存在着重大差距，仍然被污名化并被认为“不存在”。这项研究的目的是强调精神和心理健康的重要性，并根据积极心理学文献提出干预措施。这些干预措施可以支持人们的福祉，作为心理急救。关键词：COVID-19，冠状病毒，大流行，心理健康，心理健康，积极心理干预。关键词- COVID-19，冠状病毒，大流行，健康，积极心理学，干预，PPI.
2021-05-18 econ.GN q-fin.EC stat.AP
Automatic Locally Stationary Time Series Forecasting with application to predicting U.K. Gross Value Added Time Series under sudden shocks caused by the COVID pandemic
英国的准确预测总增加值（GVA）是衡量英国经济增长的基本指标。经济GVA数据（如ABML序列）中常见的非平稳性是由于通货膨胀导致方差随时间增加。对于传统的平稳假设预测者来说，经过转换或通胀调整的序列仍然具有挑战性。我们采用了一种不同的方法，直接与GVA系列的本地平稳时间序列推进最近的预测方法。我们的方法导致更准确可靠的预测，即使ABML系列在COVID大流行期间变得高度可变，我们的方法仍继续有效。
2023-03-14 stat.AP stat.ME
Characterizing collective physical distancing in the U.S. during the first nine months of the COVID-19 pandemic
2019冠状病毒病大流行提供了一个前所未有的自然实验，为外源性（政府强制）和内源性（对感染风险的自发反应）起源的集体行为变化的出现提供了见解。在这里，我们通过分析一组超过550万个匿名、选择加入的美国设备的去识别、隐私保护位置数据，来描述集体物理距离--减少流动性、最小化接触、缩短接触时间--以应对疫苗前时代的COVID-19大流行。我们定义了五个用户移动性和邻近性指标，以研究新冠肺炎疫情前九个月内，新出现的集体行为如何偏离疫情前的典型模式。我们分析了由于政府强制执行的缓解政策而产生的巨大变化，以及社会在2020年秋季更自发地适应新的（物理距离）常态。这里定义的指标可以量化城乡之间的行为变化，并强调流动性和邻近性指标与表征大流行病社会和公共卫生影响（如失业和死亡）的指标之间的统计关联。这项研究提供了一个研究大规模社交距离现象的框架，可能用于分析和监测国家和国际层面大流行缓解计划的影响。
2022-12-17 physics.data-an physics.soc-ph stat.AP
Forecasting confirmed cases of the COVID-19 pandemic with a migration-based epidemiological model
自2020年首几个月开始侵入公众日常生活以来，史无前例的2019冠状病毒病（COVID-19）大流行仍是全球范围内对人类生命的威胁。预测确诊病例的规模对于国家和社区制定适当的防控政策以有效遏制COVID-19的传播至关重要。与2003年SARS疫情和2009年全球H1N1流感大流行不同，COVID-19在其传染性和恢复性方面具有独特的流行病学特征。这促使我们制定一个新的传染病动态模型，用于预测人类流动网络中的COVID-19大流行，命名为SaucIR模型，因为新的房室模型扩展了基准SIR模型，将感染状态下的人群分为无症状、病理感染但未确诊和确诊。此外，我们采用人口流动的动态模型在模型中，以便空间效应可以有效地纳入。我们预测了2020年2月底至5月初期间，中国大陆部分省份和其他经历严重感染的国家的累计确诊病例的传播。将大流行的地理传播纳入其中的新颖性导致了与已公布的确诊病例报告惊人的良好一致性。数值分析验证了我们提出的SaucIR模型的高度可预测性相比，现有的相似性。所提出的预测SaucIR模型在Python中实现。Dash还开发了一个基于网络的应用程序（正在建设中）。
2020-12-01 physics.soc-ph stat.AP
The Sustainable Response Strategy to COVID-19: Pandemic Urban Zoning Based on Multimodal Transport Data
自COVID-19爆发以来，其已迅速演变为全球突发的重大公共卫生紧急事件。随着COVID-19的变种，疫情控制的难度不断增加，这给社会带来了巨大的成本。现有的流行病控制分区方法忽略了对居民生活的影响。在这项研究中，我们提出了一个精细和低成本的流行病控制方法，科学划定分区。首先，基于南京市多式联运出行数据构建空间互动网络，并采用基于引力模型的改进莱顿社区检测方法，得到初步分区方案。然后，我们使用空间约束来校正结果与离散的空间分布。最后得出合理的疫情控制区。算法结果的模块度为0.4185，证明该方法适用于流行病控制区划。该方法也被证明能够最大限度地减少疫情控制区之间的交通流量，仅切断24. 8%的出行连接，从而减少疫情控制对居民日常生活的影响，降低疫情控制成本。研究结果有助于为流行病控制提供可持续的战略和建议。
2022-08-25 stat.AP
Teacher Mental Health During the COVID-19 Pandemic: Informing Policies to Support Teacher Well-being and Effective Teaching Practices
虽然有研究调查COVID-19大流行对教育的影响，但评估整个大流行期间教师心理健康的实证研究却很少。使用一个大型的全国数据集，目前的研究首先比较了pK-12教师和其他职业的专业人员在大流行期间的心理健康结果。此外，我们比较了面对面和远程教师之间的心理健康结果的患病率（n = 131，154）。研究结果表明，教师报告的心理健康问题比其他职业的教师更大，远程教师报告的痛苦程度明显高于亲自授课的教师。政策影响进行了讨论，重点是提供支持，以满足教师不断变化的需求。
2021-09-03 stat.AP
Using mobility data in the design of optimal lockdown strategies for the COVID-19 pandemic
提出了一个新冠肺炎疫情传播的数学模型，该模型将年龄结构的易感-暴露-死亡动态与考虑人口流动性的真实手机数据相结合。通过近似贝叶斯计算进行动态模型调整。基于非线性模型预测控制确定最佳封锁和退出策略，并限制公共卫生和社会经济因素。通过广泛的计算验证的方法，它表明，它是可以计算出强大的退出战略与现实的减少流动性值，以告知公共政策的制定，我们使用来自英国和法国的数据集验证的方法的适用性。实现所描述的实验的代码可在https://github.com/OptimalLockdown获得。
2020-10-18 physics.soc-ph q-bio.PE stat.AP
Bayesian Space-time SIR modeling of Covid-19 in two US states during the 2020-2021 pandemic
本文描述了2020-2021年期间美国两个对比州的3波新冠肺炎疫情的贝叶斯SIR建模。各种模型在县一级的拟合优度进行评估，并评估混杂的预测。结果发现，模型与三个剥夺的预测和邻里效应是重要的。此外，谷歌移动性的工作指数也被发现为传输动态提供了更多的解释。
2022-02-21 stat.AP
A COVINDEX based on a GAM beta regression model with an application to the COVID-19 pandemic in Italy
检测COVID-19疾病传播随时间的变化是疫情增长的关键指标。对疫情增长的近实时监测对于政策制定者和公共卫生官员至关重要，他们需要就是否实施封锁或允许某些活动做出明智的决定。有效繁殖数Rt是许多国家用于这一目标的标准指标。然而，众所周知，由于感染和病例登记之间的延迟，其用于决策制定的用途受到一定限制。在本文中，近实时COVINDEX提出了监测大流行的演变。该指数是根据GAM beta回归获得的预测计算的，用于将测试阳性率建模为时间的函数。该建议使用意大利COVID-19大流行的数据进行说明，并与RT进行比较。还提出了一个简单的图表，供政策制定者和公共卫生官员监测地方和国家疫情。
2021-11-28 stat.AP
City-scale Simulation of Covid-19 Pandemic and Intervention Policies using Agent-based Modelling
在2019冠状病毒病大流行期间，世界各地的大多数政府都实施了封锁公共场所和限制人们行动等政策，以尽量减少病毒通过身体接触传播。然而，这些政策会造成严重的社会和经济代价，因此必须预先评估其影响。在这项工作中，我们的目标是可视化的流行病在不同的干预政策下，通过模拟居民的行为在一个城市的动态。我们为一个城市开发了一个非常详细的基于代理的模型，包括它的居民，物理和社会空间，如家庭，市场，工作场所，学校/学院等。我们证明，在适当选择参数的情况下，我们的模型能够重现在加尔各答观察到的新冠肺炎大流行的动态，也表明了替代干预政策的反事实结果。
2021-09-09 cs.MA stat.AP
Pooled testing and its applications in the COVID-19 pandemic
在检测COVID-19等疾病时，标准方法是个体检测：我们从每个人身上采集样本，并分别对这些样本进行检测。另一种方法是合并测试（或“组测试”），其中样品在不同的池中混合在一起，并对这些合并的样品进行测试。当疾病的流行率较低，测试的准确性相当高时，合并测试策略可能比单独测试更有效。在本章中，我们将讨论合并测试的数学方法及其在大流行期间的应用，特别是在COVID-19大流行期间。我们分析了一些一个和两个阶段的池化策略下完美和不完美的测试，并考虑实际问题中的应用，这样的协议。
2021-12-11 stat.AP
Temporal and spatial evolution of the distribution related to the number of COVID-19 pandemic
该工作基于全球200多个国家于二零二零年四月至二零二二年六月期间的累计及每日确诊COVID-19病例及死亡人数，系统地进行数据分析。该研究旨在揭示COVID-19大流行中观察到的国家级分布的时间和空间演变，并获得了以下一些有趣的结果。(1)累计确诊病例数和死亡人数的分布在COVID-19的早期阶段服从幂律，在随后的过程中服从拉伸指数函数。(2)每日确诊病例数和死亡人数在COVID-19早期和晚期服从幂律分布，在中期服从拉伸指数函数分布。幂律和拉伸指数行为之间的交叉区域似乎取决于“感染”事件和“死亡”事件的演变。这种观察暗示了一种与COVID-19传播动力学过程相关的重要对称性。(3)各指标的归一化数的分布在2年内表现出时间尺度行为，并可用拉伸指数函数来描述。在这种国家一级的分布中观察到的幂律和拉伸指数行为表明，在人类相互联系的社会中，病毒传播过程的内在动力。因此，它对于理解和数学建模COVID-19大流行非常重要。
2022-08-23 physics.data-an physics.soc-ph q-bio.PE
Clinical trials impacted by the COVID-19 pandemic: Adaptive designs to the rescue?
最近，新的病原体严重急性呼吸道综合征冠状病毒2（SARS-CoV-2）被确定，世界卫生组织宣布2019年冠状病毒病（COVID-19）为大流行病。疫情对正在进行的非COVID-19临床试验产生了多项影响。受四个目前正在进行的各种疾病领域的临床试验的启发，我们说明了大流行所面临的挑战，并勾勒出可能的解决方案，包括适应性设计。提供了以下方面的指导：（i）盲态调整可以提供帮助的地方;（ii）如何实现第一类错误率控制（如需要）;（iii）如何处理潜在的处理效应异质性;（iv）如何利用早期读数;以及（v）如何利用贝叶斯技术。更详细地说，研究人员制定了阻止受大流行影响的试验的方法，包括考虑提前停止试验、使用组序贯设计或调整样本量。所有考虑的方法都在一个免费的R shiny应用程序中实现。此外，还讨论了监管和运营问题，包括数据监测委员会的作用。
2020-05-28 stat.AP
Assessing Excess Mortality in Times of Pandemics Based on Principal Component Analysis of Weekly Mortality Data -- The Case of COVID-19
当前COVID-19的爆发再次引起了对可靠统计分析的关注，以监测死亡率模式和趋势。超额死亡率被认为是衡量这一流行病对死亡率造成的总体负担的最适当指标。因此，于COVID-19疫情爆发的首个月，超额死亡率备受关注。以往估计超额死亡率的方法有些局限，因为它们没有充分考虑长期趋势、不同人口和地理群体之间的相关性以及死亡率时间序列中的自相关性。这可能导致对超额死亡率的有偏估计，因为随机死亡率波动可能被误解为超额死亡率。我们提出了一个混合的经典流行病学方法来估计额外的死亡率在非常事件与既定的人口统计方法在死亡率预测，即李卡特型模型，它涵盖了命名的限制，并绘制了一个更现实的画面，超额死亡率。我们使用19个国家的每周年龄和性别特异性死亡率数据以及当前的COVID-19大流行作为案例研究来说明我们的方法。我们提出的模型提供了一个总体框架，可应用于未来的流行病，以及监测特定死亡原因的超额死亡率。
2020-10-10 stat.AP
A framework for estimating and visualising excess mortality during the COVID-19 pandemic
2019冠状病毒病相关死亡低估了大流行对死亡率的负担，因为它们存在完整性和准确性问题。超额死亡率是一个受欢迎的替代方法，因为它将观察到的死亡人数与基于大流行没有发生的假设的预期死亡人数进行比较。如果大流行没有发生，预计死亡人数取决于人口趋势、温度和时空模式。除此之外，还需要高地理分辨率来审查国家内部的趋势和不同公共卫生政策的有效性。在本教程中，我们提出了一个框架，使用R来估计和可视化高地理分辨率下的超额死亡率。我们展示了一个案例研究，估计2020年意大利的超额死亡人数。所提出的框架是快速实施，并允许结合不同的模型，并提出在任何年龄，性别，空间和时间的聚合所需的结果。这使得它在在线监测流行病负担和及时制定政策方面特别强大和有吸引力。
2023-03-06 stat.AP stat.CO
Excess registered deaths in England and Wales during the COVID-19 pandemic, March 2020 to May 2020
官方对COVID-19死亡人数的统计受到批评，因为其中可能包括未死于COVID-19而只是死于COVID-19的人。我通过将广义可加模型拟合到2010年代英格兰和威尔士登记的所有死亡人数的每周计数来解决这一批评。该模型产生了在没有COVID-19大流行的情况下预期的死亡登记基线率，并将该等基线与最近的登记死亡人数进行比较，揭示了2020年3月下旬出现的超额死亡人数。截至4月底，英格兰和威尔士登记了45，300例$\pm$ 3200例45岁以上成年人的超额死亡。截至5月22日，即所有死亡数据的最后一天，登记了56 600名$\pm$ 4 400人（其中约53%为男性）。国家统计局相应的43，205份死亡证明中提到了COVID-19，以及卫生和社会护理部的33，671例死亡人数，都明显较少，这意味着他们的计算方法低估了，而不是高估了大流行的真实死亡人数。如果漏报率在5月份保持稳定，那么截至5月底，可能已经登记了约59，000例直接和间接的COVID-19死亡，但尚未全部公开报告。
2020-06-02 q-bio.PE stat.AP
Predicting Covid-19 EMS Incidents from Daily Hospitalization Trends
简介：我们回顾性研究的目的是量化新冠肺炎对德克萨斯州奥斯汀特拉维斯县紧急医疗服务（EMS）需求时间分布的影响，并提出一个预测新冠肺炎EMS事件的稳健模型。方法：我们分析了2019年1月1日至2020年12月31日期间奥斯汀-特拉维斯县地区EMS呼叫的时间分布。进行变点检测以识别标志EMS呼叫分布变化的关键日期，并应用时间序列回归预测Covid-19 EMS事件。结果如下：2019冠状病毒病对EMS呼叫分布的影响有两个关键日期：3月17日，非疫情EMS事件的每日数量大幅下降，以及5月13日，EMS呼叫的每日数量回升至2019冠状病毒病前的75%。仅新冠肺炎患者的每日住院人数就证明了对大流行EMS呼叫数量的有力预测，r2值等于0.85。特别是，EMS每将一名新冠肺炎患者送往医院2.5例，就有一人入院。结论：非疫情期间EMS平均每日需求量明显少于2019冠状病毒病疫情前。因新冠肺炎症状而拨打EMS的次数可以从新冠肺炎患者每天新住院的次数中预测出来。这些发现可能对EMS部门感兴趣，因为他们计划未来的流行病，包括预测流行病相关呼叫的能力，以调整有针对性的响应。
2021-10-04 stat.AP
Steering a Historical Disease Forecasting Model Under a Pandemic: Case of Flu and COVID-19
College of Computing, Georgia Institute of Technology（佐治亚理工学院计算学院）；Department of Computer Science, Virginia Tech（弗吉尼亚理工大学计算机系）；Department of Computer Science, University of Iowa（爱荷华大学计算机系）
及时预测流感有助于卫生组织和决策者做好充分的准备和决策。然而，有效的流感预测仍然是一个挑战，尽管越来越多的研究兴趣。在新型冠状病毒大流行期间，流感样疾病（ILI）的数量受到各种因素的影响，例如与COVID-19的症状相似性以及一般人群寻求医疗保健模式的转变，这更具挑战性。在当前的大流行下，历史流感模型具有关于疾病动态的宝贵专业知识，但面临着适应困难。因此，我们提出了CALI-Net，这是一种神经迁移学习架构，使我们能够将历史疾病预测模型“引导”到流感和COVID共存的新场景中。我们的框架通过自动学习何时应该强调从COVID相关信号中学习以及何时应该从历史模型中学习来实现这种适应。因此，我们利用从历史ILI数据以及有限的COVID相关信号中学习的表示。我们的实验表明，我们的方法是成功的，在适应历史的预测模型，以当前的流行病。此外，我们表明，在我们的主要目标，适应的成功，不牺牲整体性能相比，国家的最先进的流感预测方法。
2020-12-24 cs.LG stat.AP
Effect of the COVID-19 pandemic on bike-sharing demand and hire time: Evidence from Santander Cycles in London
自二零二零年初以来，COVID-19疫情一直影响全球多个城市地区的旅游行为。因此，自行车共享计划受到影响，部分原因是出行需求和行为的变化以及公共交通的转变。这项研究估计了2020年3月至12月期间COVID-19大流行对伦敦自行车共享系统（桑坦德自行车）的不同影响。我们采用贝叶斯二阶随机游动时间序列模型来解释数据的时间相关性。我们将观察到的周期雇佣数量和雇佣时间与其各自的反事实（如果疫情没有发生的话）进行比较，以估计疫情造成的变化幅度。结果显示，继二零二零年三月及四月循环租赁减少后，需求自二零二零年五月起反弹，维持在疫情未发生时的预期范围内。这可能表明桑坦德周期的弹性。在租用时间方面，2020年4月、5月和6月出现了重要增长，表明自行车被租用用于更长的旅行，部分原因可能是公共交通的转变。
2021-07-24 econ.GN q-fin.EC stat.AP
Face masks, vaccination rates and low crowding drive the demand for the London Underground during the COVID-19 pandemic
COVID-19大流行严重影响了人们的旅游行为和户外活动参与。虽然随着疫苗接种率的提高，应对措施正在放松，但对公共交通的需求仍然不确定。为了调查大流行期间伦敦地铁用户的出行偏好，我们在大流行前的伦敦地铁用户（N=961）中进行了一项规定的选择实验。我们使用多项和混合logit模型分析了收集的数据。我们的分析提供了对伦敦地铁需求在出行属性（拥挤密度和出行时间）、疫情（确诊的新冠肺炎病例）和干预措施（疫苗接种率和强制性口罩）方面的敏感性的见解。强制性口罩和更高的疫苗接种率是COVID-19期间伦敦地铁出行需求的两大驱动力。疫苗接种率对地铁需求的积极影响随着拥挤密度的增加而增加，强制性口罩的积极影响随着旅行时间的增加而减少。混合logit揭示了大量的偏好异质性。例如，虽然强制性口罩的平均效果是积极的，但约20%的疫情前使用者乘坐地铁的偏好受到负面影响。估计的需求敏感性与过境系统的供需管理和先进流行病学模型的校准有关。
2021-07-06 econ.GN q-fin.EC stat.AP
