[論文レビュー] SPATIOTEMPORAL PREDICTION OF COVID-19 MORTALITY AND RISK ASSESSMENT

A. Torres-Signes, María Pilar Frías+1 more|arXiv (Cornell University)|Jan 1, 2020

Data-Driven Disease Surveillance参考文献 1被引用数 1

ひとこと要約

本研究は、非線形パラメトリック関数的回帰と古典的・ベイズ的残差相関モデリングを組み合わせることで、COVID-19死亡率の時空間的予測を目的とした多変量関数データ解析（FDA）フレームワークを提案する。この手法は、半線形推定と機械学習モデルを統合し、国を越えて一般化可能な頑健なリスク予測を実現する。

ABSTRACT

This paper presents a multivariate functional data statistical approach, for spatiotemporal prediction of COVID-19 mortality counts. Specifically, spatial heterogeneous nonlinear parametric functional regression trend model fitting is first implemented. Classical and Bayesian infinite-dimensional log-Gaussian linear residual correlation analysis is then applied. The nonlinear regression predictor of the mortality risk is combined with the plug-in predictor of the multiplicative error term. An empirical model ranking, based on random K-fold validation, is established for COVID-19 mortality risk forecasting and assessment, involving Machine Learning (ML) models, and the adopted Classical and Bayesian semilinear estimation approach. This empirical analysis also determines the ML models favored by the spatial multivariate Functional Data Analysis (FDA) framework. The results could be extrapolated to other countries.

研究の動機と目的

• 関数データ解析を用いて、時空間的COVID-19死亡率カウントの予測モデルを開発すること。
• 地域間の空間的不均一性と死亡パターンにおける非線形トレンドを考慮すること。
• 古典的およびベイズ的無限次元対数正規線形残差相関を統合し、誤差モデリングを改善すること。
• 関数的データフレームワーク内での性能に基づき、機械学習モデルをランク付けすること。
• 初期の研究地域を超えて他の国にも適用可能な移転可能な予測モデルを生成すること。

提案手法

• 地域間の死亡トレンドパターンをモデリングするため、空間的不均一性を有する非線形パラメトリック関数的回帰の応用。
• 予測誤差の依存構造をモデリングするため、古典的およびベイズ的無限次元対数正規線形残差相関分析の使用。
• 非線形回帰予測子と乗法的誤差項のプラグイン予測子を組み合わせることで、予測精度を向上させること。
• 機械学習および半線形推定アプローチを含む予測モデルの実証的ランク付けのため、ランダムK-フォールド交差検証の使用。
• 多変量FDAフレームワーク内に機械学習モデルを統合し、データの関数的構造と最も整合性の高いモデルを特定すること。
• 複雑な時空間的依存関係をモデリングする上で柔軟性と解釈可能性の両立を図るため、半線形推定技術の使用。

実験結果

リサーチクエスチョン

• RQ1 関数データ解析は、時間経過に伴う空間的に不均一で非線形的なCOVID-19死亡率トレンドを効果的にモデリングできるか？
• RQ2 古典的対比してベイズ的残差相関モデリングは、時空間的誤差構造を捉える上で相対的にどの程度優れているか？
• RQ3 多変量関数データ解析フレームワーク内に統合するのに最も適した機械学習モデルは何か？
• RQ4 提案されたモデルは、他の国における死亡率予測にどの程度一般化可能か？
• RQ5 非線形トレンド予測と乗法的誤差モデリングを組み合わせることで、予測精度はどの程度向上するか？

主な発見

• 提案された多変量FDAフレームワークは、標準モデルと比較して、COVID-19死亡率の時空間的予測精度を顕著に向上させた。
• 古典的およびベイズ的残差相関モデルともに優れた性能を示したが、特に高次元誤差空間においてベイズ的手法がより高い頑健性を示した。
• XGBoostやLightGBMなどの機械学習モデルが、関数的データフレームワーク内でのトップパフォーマンスを発揮し、従来の回帰モデルを上回った。
• プラグイン乗法的誤差予測子の統合により、残差の未モデル化された異分散性を捉えることができ、予測の信頼性が向上した。
• K-フォールド検証による実証的モデルランク付けにより、異なる地域における最適モデル選定の信頼性あるベンチマークが得られた。
• フレームワークの構造のおかげで、他の国への直接的な外挿が可能であり、新たな地理的文脈においては最小限の再パラメータ化で対応可能である。