基于微分方程的传染病模型的结构可辨识性分析：入门指南
摘要：流行病模型的成功应用取决于我们能否可靠地从有限观测中估计模型参数。在估计模型参数之前，往往被忽视的一步是确保模型参数能够从给定的数据集中进行结构可识别性分析。结构可识别性分析可以揭示任何已有的参数相关性，这些相关性会妨碍从观测变量中进行估计。在这里，我们通过使用DAISY和Mathematica（Wolfram Research）的微分代数方法，回顾并说明了结构可识别性分析的方法。我们通过以前用于研究传播动力学和控制的分区流行病模型的示例来演示这种方法。我们展示了通过合并来自不同模型状态的额外观测或基于现有参数相关性来固定某些参数，或通过减少系统动力学中涉及的参数或状态变量的数量来解决结构可识别性的缺失问题。我们还强调了结构可识别性分析如何帮助改进差分方程模型的分区图，包括指示观测变量和结构可识别性分析的结果。
作者：Gerardo Chowell, Sushma Dahal, Yuganthi R. Liyanage, Amna Tariq, Necibe Tuncer
论文ID：2209.12821
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2023-08-21