朴素贝叶斯-伯努利模型
贝叶斯变化点模型用于估计新的COVID-19病例数在不同国家开始趋于平坦的日期。
问题
在当前的全球大流行及其相关资源(数据,分析等)的背景下,我已经尝试了一段时间来提出一个有趣的COVID-19问题,以利用统计数据进行攻击。 在查看了某些县的确诊病例数之后,很明显在某个日期,新病例数不再是指数级的,其分布也发生了变化。
但是,每个国家(显然)的日期不同。 这篇文章介绍并讨论了贝叶斯模型,用于估计特定国家中新COVID-19病例的分布发生变化的日期。 模型系数是可以解释的,可用于将来分析不同国家采用的社会疏离措施的有效性。
在我们介绍它之前,一个重要的提醒是所有模型都是错误的,但是有些模型是有用的。 该模型可用于估计更改日期,而不用于预测COVID-19的情况。
不应将它误认为一个惊人的流行病学模型,该模型将告诉我们隔离何时结束,而是一种描述我们已经观察到的概率分布的方式。
这个职位的所有代码,可以发现在这里 ,你可以看到这篇文章的原始版本在这里 。
模型
我们想描述y ,它是特定国家/地区每天新COVID-19病例数的日志,与t的函数相关, t是该病毒在该国开始传播的天数。 我们将使用分段回归模型进行此操作。 分割点将由学习参数τ决定,如下所述:
换句话说 ,Y将被模拟为 w₁+ B₁天,直到天τ。 之后,将其建模为 w 2 + b 2。
该模型使用Pyro编写, Pyro是一种基于PyTorch的概率编程语言。 这段代码中包含了大部分代码,但是大多数笔记本代码都在