Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Suy diễn thống kê: Dựa trên mô hình phân phối lũy thừa để đánh giá dữ liệu bệnh nhân COVID-19 tại Kerala
Tóm tắt
Trong bài báo này, chúng tôi sử dụng phân phối lũy thừa làm mô hình thống kê phù hợp cho dữ liệu bệnh nhân COVID-19 tại Kerala. Tính phù hợp của mô hình đã được kiểm tra bằng các công cụ thống kê khác nhau như giá trị của log xác suất, khoảng cách Kolmogorov–Smirnov, tiêu chí thông tin Akaike, tiêu chí thông tin Bayesian. Hơn nữa, chúng tôi thực hiện bài kiểm tra tỷ lệ xác suất và phân tích xác suất hậu nghiệm thực nghiệm để cho thấy tính phù hợp của mô hình. Các khoảng tin cậy mũ cực đại và bất đối xứng cho các tham số được suy ra từ ma trận thông tin Fisher. Chúng tôi sử dụng kỹ thuật Chuỗi Markov Monte Carlo để sinh mẫu từ hàm mật độ hậu nghiệm. Dựa trên các mẫu đã sinh, chúng tôi có thể tính toán các ước lượng Bayes cho các tham số chưa biết và cũng có thể xây dựng các khoảng tin cậy mật độ hậu nghiệm cao nhất. Hơn nữa, chúng tôi thảo luận về dự đoán Bayesian cho các quan sát trong tương lai dựa trên mẫu quan sát được. Kỹ thuật lấy mẫu Gibbs được sử dụng để ước lượng hàm mật độ dự đoán hậu nghiệm và cũng để xây dựng các khoảng dự đoán của các thống kê thứ tự từ mẫu trong tương lai.
Từ khóa
#COVID-19 #phân phối lũy thừa #thống kê Bayesian #mẫu hậu nghiệm #khoảng tin cậy.Tài liệu tham khảo
Aarset MV (1987) How to identify a bathtub hazard rate. IEEE Trans Reliab 36(1):106–108
Akaike H (1978) A Bayesian analysis of the minimum AIC procedure. Ann Inst Stat Math 30(1):9–14
Al-Jarallah R, Al-Hussaini E (2007) Bayes inference under a finite mixture of two-compound Gompertz components model. J Stat Comput Simul 77(11):915–927
Arshad Ali S, Baloch M, Ahmed N, Arshad Ali A, Iqbal A (2020) The outbreak of coronavirus disease 2019 (covid-19)-an emerging global health threat. J Infect Public Health 13(4):644–646. https://doi.org/10.1016/j.jiph.2020.02.033
Baklizi AS (2004) Bayesian prediction intervals for ranges and waiting times. J Interdiscip Math 7(2):165–171
Berger JO (2013) Statistical decision theory and Bayesian analysis. Springer, New York
Bernardo JM, Smith AF (2009) Bayesian theory, vol 405. Wiley, New York
Box GE, Tiao GC (2011) Bayesian inference in statistical analysis, vol 40. Wiley, New York
Chen Y, Liu Q, Guo D (2020) Emerging coronaviruses: genome structure, replication, and pathogenesis. J Med Virol 92(4):418–423
Geisser S (1993) Predictive inference, vol 55. CRC Press, Boca Raton
Gelman A, Carlin JB, Stern HS, Dunson DB, Vehtari A, Rubin DB (2013) Bayesian data analysis. Chapman and Hall/CRC, London
Gibbons JD, Chakraborti S (2014) Nonparametric statistical inference: revised and expanded. CRC Press, London
Gupta RC, Gupta PL, Gupta RD (1998) Modeling failure time data by Lehman alternatives. Commun Stat Theory methods 27(4):887–904
Gupta RD, Kundu D (2001) Exponentiated exponential family: an alternative to gamma and Weibull distributions. Biomet J J Math Methods Biosci 43(1):117–130
Jeffreys H (1946) An invariant form for the prior probability in estimation problems. Proc R Soc Lond A 186(1007):453–461
Jeffreys H et al (1939) Theory of probability. The Clarendon Press, Oxford
Khakharia A, Shah V, Jain S, Shah J, Tiwari A, Daphal P, Warang M, Mehendale N (2021) Outbreak prediction of covid-19 for dense and populated countries using machine learning. Ann Data Sci 8(1):1–19
Kumar S (2020) Monitoring novel corona virus (covid-19) infections in India by cluster analysis. Ann Data Sci 7:417–425
Leonard T, Hsu JS (2001) Bayesian methods: an analysis for statisticians and interdisciplinary researchers, vol 5. Cambridge University Press, Cambridge
Li Q et al (2020) An outbreak of NCIP (2019-nCoV) infection in China-Wuhan, Hubei province, 2019–2020. China CDC Wkl 2(5):79–80
Liu Y, Gu Z, Xia S, Shi B, Zhou XN, Shi Y, Liu J (2020) What are the underlying transmission patterns of covid-19 outbreak? An age-specific social contact characterization. EClinicalMedicine 22:100354
Pathak A, Kumar M, Singh SK, Singh U (2020) Bayesian inference: Weibull Poisson model for censored data using the expectation–maximization algorithm and its application to bladder cancer data. J Appl Stat 1–23. https://doi.org/10.1080/02664763.2020.1845626
Paules CI, Marston HD, Fauci AS (2020) Coronavirus infections-more than just the common cold. JAMA 323(8):707–708
Schwarz G et al (1978) Estimating the dimension of a model. Ann Stat 6(2):461–464
Shi Y, Tian Y, Kou G, Peng Y, Li J (2011) Optimization based data mining: theory and applications. Springer, New York
Singh SK (2011) Estimation of parameters and reliability function of exponentiated exponential distribution: Bayesian approach under general entropy loss function. Pak J Stat Oper Res 7(2):217–232
Singh SK, Singh U, Kumar M (2013) Estimation of parameters of generalized inverted exponential distribution for progressive type-ii censored sample with binomial removals. J Probab Stat 2013:1–12
Singh SK, Singh U, Kumar M (2016) Bayesian estimation for Poisson-exponential model under progressive type-II censoring data with binomial removal and its application to ovarian cancer data. Commun Stat Simul Comput 45(9):3457–3475
Temesgen A, Gurmesa A, Getchew Y (2018) Joint modeling of longitudinal CD4 count and time-to-death of HIV/TB co-infected patients: a case of Jimma University specialized hospital. Anna Data Sci 5(4):659–678
Tien JM (2017) Internet of things, real-time decision making, and artificial intelligence. Ann Data Sci 4(2):149–178
WHO (2020) Coronavirus disease 2019 (covid-19) situation report-71. https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200331-sitrep-71-covid-19.pdf?sfvrsn=4360e92b_8/. Online; Accessed 31 Mar 2020