爱尔兰共和国的COVID-19发病率：基于网络的时间序列模型的案例研究
摘要：使用基于网络的时间序列模型在过去几年中变得越来越流行，因为它们能够模拟由传染病传播引起的时空依赖关系。作为网络时间序列的统计模型，引入了广义网络自回归（GNAR）模型。GNAR模型是一种基于顶点的模型，它具有模拟时间依赖性的自回归成分和用于纳入网络中相邻顶点之间的依赖关系的空间自回归成分。本文比较了GNAR模型在预测爱尔兰共和国的26个县的COVID-19病例方面使用不同底层网络的性能。根据国际间移动限制，将数据集分成子集，并将其分为有限制和无限制两个流行病阶段。基于一般或COVID-19特定方法，构建了十个静态网络。在这些网络中，顶点代表县，边是基于邻域关系（如铁路线）建立的。研究发现，在预测任务中，无论是有限制还是无限制的流行病阶段，没有一个底层静态网络始终表现优越。在有限制的阶段，稀疏网络表现更好，而在无限制的阶段，密集网络更好地解释了数据。与忽略网络结构的ARIMA模型相比，GNAR模型具有更高的预测准确性。在政策更为宽松或没有COVID-19规定的流行病阶段，ARIMA和GNAR模型的表现相似。这些发现表明，在有限制的阶段存在网络依赖性，但在无限制的阶段不存在。它们还显示了网络构建方法的一些健壮性。对残差的分析证明了有限制的阶段的模型假设，但对无限制的阶段提出了问题。
作者：Stephanie Armbruster and Gesine Reinert
论文ID：2307.06199
分类：Applications
分类简称：stat.AP
提交时间：2023-08-14