[論文レビュー] Bridging the COVID-19 Data and the Epidemiological Model using Time Varying Parameter SIRD Model

Cem Çakmaklı, Yasin Şimşek|arXiv (Cornell University)|Jul 3, 2020

COVID-19 epidemiological studies被引用数 9

ひとこと要約

本稿では、COVID-19パンデミック期における変化する流行学的パラメータを捉えるために、一般化自己回帰スコア（GAS）ダイナミクスを用いた時変動パラメータSIRDモデルを提案する。感染率、回復率、死亡率を、日々の数え上げデータに基づきリアルタイムで適応可能にすることで、特に短期予測において優れた予測精度を達成し、固定パラメータモデルを上回り、多様なパンデミック推移にわたって頑健であることが示された。

ABSTRACT

This paper extends the canonical model of epidemiology, SIRD model, to allow for time varying parameters for real-time measurement of the stance of the COVID-19 pandemic. Time variation in model parameters is captured using the generalized autoregressive score modelling structure designed for the typically daily count data related to pandemic. The resulting specification permits a flexible yet parsimonious model structure with a very low computational cost. This is especially crucial at the onset of the pandemic when the data is scarce and the uncertainty is abundant. Full sample results show that countries including US, Brazil and Russia are still not able to contain the pandemic with the US having the worst performance. Furthermore, Iran and South Korea are likely to experience the second wave of the pandemic. A real-time exercise show that the proposed structure delivers timely and precise information on the current stance of the pandemic ahead of the competitors that use rolling window. This, in turn, transforms into accurate short-term predictions of the active cases. We further modify the model to allow for unreported cases. Results suggest that the effects of the presence of these cases on the estimation results diminish towards the end of sample with the increasing number of testing.

研究の動機と目的

• 固定パラメータSIRDモデルがCOVID-19パンデミックの動的進化を捉えることの限界を是正すること。
• 計算効率的かつ統計的に整合性のあるフレームワークを構築し、流行学的モデルにおける時変動パラメータを可能にすること。
• テストデータを用いて非報告（無症状）症例をモデルに組み込み、パラメータ推定の精度を向上させること。
• 多様なパンデミック動態を示す国々におけるリアルタイム予測性能を評価すること。
• モデルが繰り返し発生する波や変化する感染伝播動態を、低い計算コストで追跡できるかを示すこと。

提案手法

• 感染率、回復率、死亡率を一般化自己回帰スコア（GAS）フレームワークを用いて時間とともに変化可能にするという、標準的なSIRDモデルの拡張。
• 観測駆動型ダイナミクスを採用し、パラメータの更新を条件付き尤度のスコアに従わせる。これにより、時変動パラメータが新規データに適応する。
• ベイズ推定と信用区間を用いることで、特に初期段階でデータが限られる状況下での不確実性下での推論を改善する。
• GrewelleとDe Leo（2020）に従い、テスト率に基づく構造的補正を用いて非報告症例を組み込み、報告不足バイアスを是正する。
• 再帰的推定を用い、拡大ウィンドウおよびローリングウィンドウを用いてリアルタイム予測性能を模擬する。
• 予測精度の比較に、RMSFE（予測誤差の二乗平均平方根）を用い、固定パラメータSIRDモデル（さまざまなウィンドウサイズ）と比較する。

実験結果

リサーチクエスチョン

• RQ1 GASダイナミクスを備えた時変動パラメータSIRDモデルは、固定パラメータモデルと比較して、COVID-19パンデミックのリアルタイム推移をよりよく追跡できるか？
• RQ2 感染率、回復率、死亡率は、パンデミック経験が異なる国々でどのように時間とともに変化するか？
• RQ3 非報告症例を考慮に入れることで、パラメータ推定および予測精度はどの程度向上するか？
• RQ4 異なるウィンドウ戦略を用いた固定パラメータモデルと比較して、TVP-SIRDモデルのリアルタイム予測性能はいかがなっているか？
• RQ5 モデルの柔軟性が、繰り返し発生するパンデミック波や感染伝播の急激な変化に対し、より正確な予測をもたらすか？

主な発見

• TVP-SIRDモデルは、拡大ウィンドウまたはローリングウィンドウを用いた固定パラメータSIRDモデルを著しく上回り、特に短期予測（1〜14日前方）において顕著である。
• 10日間のローリングウィンドウを用いたモデルが最も近い競合相手ではあるが、TVP-SIRDモデルは1日先予測においても著しく優れた予測を達成している。
• 大多数の国で、基本再生産数は5以上で始まり、時間とともに低下するが、一部の国では第二波に対応する再発症が観察される。
• 感染率は当初高く推移するが、公衆衛生対策の有無に応じて低下速度が異なる。一方、医療体制の適応に伴い回復率は初期に低い値から上昇する。
• テスト率が高くなるにつれて、非報告症例の影響はパラメータ推定に及ぼす影響が小さくなり、サンプル期間終了に近づくと国ごとの推定値が類似した水準に収束する。
• TVP-SIRDモデルは、14日までの予測期間であっても、韓国を除きすべての国で相対RMSFEが1未満を維持し、依然として優れた性能を発揮している。