[论文解读] 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 9

一句话总结

本文提出一种基于广义自回归得分（GAS）动态的时变参数SIRD模型，以捕捉COVID-19大流行期间不断演变的流行病学参数。通过利用每日数据实时调整感染率、康复率和死亡率，该模型在短期预测中展现出卓越的预测准确性，优于固定参数模型，并在不同大流行轨迹下均表现出强健性。

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.

研究动机与目标

• 解决固定参数SIRD模型在捕捉COVID-19大流行动态演变方面的局限性。
• 开发一种计算高效且统计一致的框架，实现流行病学建模中时变参数的应用。
• 通过利用检测数据将未报告的（无症状）病例纳入模型，提高参数估计的准确性。
• 评估模型在具有不同大流行动态的国家中的实时预测性能。
• 展示模型在低计算成本下跟踪连续疫情波次和传播动态变化的能力。

提出的方法

• 通过广义自回归得分（GAS）框架，使感染率、康复率和死亡率随时间变化，扩展了经典的SIRD模型。
• 采用观测驱动动态，其中参数更新由条件似然函数的得分驱动，确保时变参数能对新数据作出响应。
• 使用贝叶斯估计与可信区间，提升在早期大流行阶段数据有限情况下的推断能力。
• 基于Grewelle和De Leo（2020）的方法，通过检测率的结构性调整，将未报告病例纳入模型，以校正报告不足的偏差。
• 采用递归估计方法，结合扩展窗口和滚动窗口，模拟实时预测性能。
• 使用RMSFE（均方根预测误差）比较该模型与不同窗口大小的固定参数SIRD模型的预测准确性。

实验结果

研究问题

• RQ1 具有GAS动态的时变参数SIRD模型是否能比固定参数模型更准确地追踪COVID-19大流行的实时轨迹？
• RQ2 在具有不同大流行经历的国家中，感染率、康复率和死亡率如何随时间演变？
• RQ3 考虑未报告病例在多大程度上能改善参数估计和预测准确性？
• RQ4 与采用不同窗口策略的固定参数模型相比，TVP-SIRD模型在实时预测中的表现如何？
• RQ5 该模型的灵活性是否能在连续疫情波次或传播模式突然变化期间带来更准确的预测？

主要发现

• TVP-SIRD模型在短期预测（1–14天）中显著优于采用扩展窗口或滚动窗口的固定参数SIRD模型。
• 10天滚动窗口模型是表现最接近的竞争对手，但TVP-SIRD模型在预测性能上仍显著更优，尤其在1天前预测中表现突出。
• 在大多数国家，基本再生数初始值高于5，并随时间下降，但部分国家显示出与第二波疫情相对应的反复上升。
• 感染率初始较高，但下降速度因公共卫生干预措施而异；康复率则从较低初始值开始，随着医疗系统适应而逐步上升。
• 随着检测率提高，未报告病例对参数估计的影响减小，且在样本期末，各国模型估计值趋于趋同。
• 即使在较长预测范围（最多14天）内，TVP-SIRD模型仍保持优越性能，所有国家的相对RMSFE值持续低于1，仅韩国例外，其表现几乎持平。