In this study, we develop methods o

In this study, we develop methods of inference in the case
that discrete-time epidemic data are available on an infectious
disease whose natural history pertains to an SEIR epidemic
model. Likelihood-based inference for the case when
the time interval is equal to the generation period of the disease
(chain-binomial model) has been considered by Bailey
(1975) and O’Neill and Roberts (1999). In the chain-binomial
model it is assumed that the generation period, that is, the
latent and infectious periods taken together, is fixed. Here we
relax this assumption by allowing both the latent and infectious
period to be stochastic and the data to be observed at
time points whose distances may be different from the length
of the generation period. The introduction of probability densities
for the transition of state variables allows us to formulate
a probabilistic discrete-time model that, for a sufficiently
small interval length, provides a good approximation to the
underlying continuous-time process generated by the stochastic
SEIR model. The likelihood function of the data can then
be approximated on the basis of the transition densities.
Depending on what measurements are available, researchers
dealing with infectious disease data are confronted
1170 C _ 2006, The International Biometric Society

ผลลัพธ์ (ไทย) 1:

ในการศึกษานี้ เราได้พัฒนาวิธีการข้อในกรณีข้อมูลติดต่อเวลาไม่ต่อเนื่องมีการติดเชื้อโรคที่มีประวัติเกี่ยวข้องกับโรคระบาด SEIRแบบจำลอง ข้อตามความเป็นไปได้สำหรับกรณีเมื่อช่วงเวลามีค่าเท่ากับสร้างรอบระยะเวลาของการเกิดโรคได้รับการพิจารณา (รุ่นโซ่ทวินาม) โดย Bailey(1975) และโอนีลและโรเบิตส์ (1999) ในห่วงโซ่ทวินามรุ่นที่จะถือว่าเป็นที่รอบระยะเวลาสร้าง นั่นคือ การคงใช้ร่วมกัน ระยะแฝงอยู่ และติดเชื้อ ที่นี่เราผ่อนคลายนี้ให้ทั้งแฝงอยู่ และติดเชื้อรอบระยะเวลาเป็นแบบเฟ้นสุ่มและข้อมูลที่จะสังเกตได้ที่เวลาสถานที่ระยะทางอาจแตกต่างจากความยาวของรอบระยะเวลาสร้าง แนะนำของความหนาแน่นของความน่าเป็นการเปลี่ยนแปลงของตัวแปรรัฐให้เรากำหนดprobabilistic แยกกันเวลารุ่นที่ สำหรับเป็นพอความยาวช่วงขนาดเล็ก มีประมาณที่ดีกระบวนการต่อเนื่องเวลาต้นแบบที่สร้างขึ้น โดยแบบสโทแคสติกแบบจำลอง SEIR ฟังก์ชันความน่าเป็นของข้อมูลแล้วสามารถจะเลียนแบบตามการเปลี่ยนแปลงความหนาแน่นขึ้นอยู่กับว่าวัดมี นักวิจัยการจัดการกับข้อมูลได้เผชิญหน้ากับโรคติดเชื้อC พัก 1170 _ 2006 ตรวจสอบทางชีวภาพสังคมนานาชาติ

ผลลัพธ์ (ไทย) 2:

ในการศึกษานี้เราพัฒนาวิธีการอนุมานในกรณีที่ว่าข้อมูลการแพร่ระบาดต่อเนื่องเวลาที่มีอยู่ในการติดเชื้อโรคที่มีประวัติศาสตร์ธรรมชาติที่เกี่ยวข้องกับการแพร่ระบาดSEIR รูปแบบ ความน่าจะเป็นข้อสรุปที่ใช้สำหรับกรณีที่เมื่อช่วงเวลาเท่ากับระยะเวลาการผลิตของโรค(รูปแบบห่วงโซ่ทวินาม) ได้รับการพิจารณาโดยเบลีย์(1975) และโอนีลโรเบิร์ตและ (1999) ในห่วงโซ่ทวินามรูปแบบมันจะสันนิษฐานว่าระยะเวลาการผลิตที่เป็นที่ระยะเวลาแฝงที่ติดเชื้อและนำมารวมกันได้รับการแก้ไข ที่นี่เราผ่อนคลายสมมติฐานนี้โดยให้ทั้งแฝงติดเชื้อและระยะเวลาที่จะมีการสุ่มและข้อมูลที่จะสังเกตเห็นจุดเวลาที่มีระยะทางที่อาจจะแตกต่างจากความยาวของระยะเวลาการสร้าง การแนะนำของความหนาแน่นของความน่าจะเป็นสำหรับการเปลี่ยนแปลงของตัวแปรรัฐช่วยให้เราสามารถกำหนดรูปแบบไม่ต่อเนื่องน่าจะเป็นเวลาที่เพียงพอสำหรับระยะเวลาในช่วงที่มีขนาดเล็กให้ประมาณการที่ดีให้กับกระบวนการที่ต่อเนื่องเวลาต้นแบบที่สร้างขึ้นโดยการสุ่มแบบจำลองSEIR ฟังก์ชั่นความน่าจะเป็นของข้อมูลนั้นสามารถเป็นห้วงบนพื้นฐานของความหนาแน่นของการเปลี่ยนแปลงได้. ทั้งนี้ขึ้นอยู่กับสิ่งที่วัดที่มีนักวิจัยการจัดการกับข้อมูลโรคติดเชื้อที่กำลังเผชิญหน้า1170 C _ 2006 นานาชาติ Biometric สังคม

ผลลัพธ์ (ไทย) 3:

ในการศึกษาครั้งนี้ได้พัฒนาวิธีการอนุมานในกรณีที่
ว่าข้อมูลที่มีอยู่ในเวลานี้ติดเชื้อโรคที่เกี่ยวข้องกับประวัติศาสตร์ธรรมชาติ

เป็นเสอีร์ที่มีรูปแบบ โอกาสจากการอนุมานสำหรับกรณีที่
ช่วงเวลาเท่ากับรุ่น ระยะเวลาของโรค
( โซ่แบบ Model ) ได้รับการพิจารณาโดย Bailey
( 1975 ) และ โอนีล และโรเบิร์ต ( 1999 )ในห่วงโซ่แบบทวินาม
จะถือว่าระยะเวลา , รุ่นที่ ,
แฝงและระยะเวลาที่ติดเชื้อที่ถ่ายด้วยกันจะคงที่ ที่นี่เรา
ผ่อนคลายสมมติฐานนี้ โดยการอนุญาตให้ทั้งแฝงและการติดเชื้อ
ระยะเวลาที่จะสุ่มและข้อมูลการตรวจสอบที่
เวลาจุดที่มีระยะทางที่อาจจะแตกต่างจากความยาว
ช่วง รุ่น เบื้องต้นของความน่าจะเป็นความหนาแน่น
สำหรับการเปลี่ยนแปลงของตัวแปรสถานะช่วยให้เราสามารถสร้างเป็นแบบจำลองความน่าจะเป็นแบบไม่ต่อเนื่อง
,
เล็กพอสมควร ช่วงยาว มีประมาณดี
ต้นแบบต่อเนื่องเวลากระบวนการที่สร้างขึ้นโดยโมเดล SEIR Stochastic

โอกาสการทำงานของข้อมูลแล้ว
สามารถคำนวณบนพื้นฐานของการเปลี่ยนแปลงความหนาแน่น .
ขึ้นอยู่กับว่าวัดมีนักวิจัย
การจัดการกับข้อมูลโรคติดเชื้อเผชิญหน้า
. C _ 2006 International
สังคมทางกายภาพ