Crítica de “Projeção da dinâmica de transmissão do SARS-CoV-2 durante o período pós-pandemia” – Parte 2: Proxies para incidência de coronavírus

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br


[Esteartigofoipublicadopelaprimeiravezem[Thisarticlewasfirstpublishedon Programação R – Blog de Radford Neal, e gentilmente contribuiu para R-blogueiros]. (Você pode relatar um problema sobre o conteúdo desta página aqui)


Deseja compartilhar seu conteúdo com R-blogueiros? clique aqui se você tiver um blog ou aqui se não tiver.

Este é o segundo de uma série de posts (post anterior: Parte 1), no qual analiso o seguinte artigo:

Kissler, Tedijanto, Goldstein, Grad e Lipsitch, projetando a dinâmica de transmissão do SARS-CoV-2 durante o período pós-pandemia, Science, vol. 368, pp. 860-868, 22 de maio de 2020 (publicado on-line em 14 de abril de 2020). O documento também está disponível aqui, com materiais suplementares aqui.

Neste post, começarei a examinar em detalhes a primeira parte do artigo, onde os autores analisam a incidência passada de coronavírus “resfriado comum”, estimam o número de reprodução (R) dos vírus ao longo do tempo e usam essas estimativas para imunidade modelo e imunidade cruzada para esses vírus e efeitos sazonais em sua transmissão. Os resultados desta parte informam as partes posteriores do artigo, nas quais modelam os dois betacoronavírus comuns resfriados, juntamente com o SARS-CoV-2 (o vírus do COVID-19), e analisam vários cenários para o futuro, variando a duração imunidade para SARS-CoV-2, o grau de imunidade cruzada de SARS-CoV-2 e betacoronavírus resfriados comuns e o efeito da estação na transmissão de SARS-CoV-2.

No meu post anterior, usei o código parcial divulgado pelos autores para tentar reproduzir os resultados na primeira parte do artigo. Acabei conseguindo fazer isso. Para esta e futuras postagens, no entanto, usarei meu próprio código, com o qual também posso replicar os resultados do artigo. Esse código me permite produzir plotagens mais facilmente para ajudar a entender problemas com os métodos e experimentar métodos alternativos. O código (escrito em R) está disponível aqui, com licença GPLv2. Os dados usados ​​também estão incluídos neste repositório.

Neste segundo post da série, examino como Kissler et al. produzem proxies para a incidência de infecção nos Estados Unidos pelos quatro coronavírus comuns do resfriado. Vou analisar alguns problemas com o método deles e propor pequenas alterações para tentar corrigi-los. Também tentarei algumas alternativas mais elaboradas que podem funcionar melhor.

Os proxies de coronavírus são a base empírica para o restante do papel.

O artigo constrói esses proxies de coronavírus em dois estágios. Primeiro, um proxy é construído para a incidência de “Doenças semelhantes à influenza” (ILI), que pode ser influenza real ou alguma outra infecção causando sintomas semelhantes. Segundo, esse proxy é multiplicado pela porcentagem de testes em pacientes com ILI positivos para cada um dos coronavírus comuns do resfriado, para produzir proxies para incidência de cada um desses coronavírus.

A procuração para a doença semelhante à gripe

Os dados sobre doenças semelhantes à influenza (ILI) nos EUA são provenientes do site do CDC FluView. Um proxy para ILI pode ser obtido combinando dados sobre o número total de visitas de pacientes a provedores participantes com o número dessas visitas que são para ILI. O site do FluView possui o seguinte aviso:

O número e a porcentagem de pacientes que apresentam ILI a cada semana variam de acordo com a região e a estação devido a vários fatores, incluindo diferentes tipos de prestadores de serviços (crianças apresentam taxas mais altas de ILI do que os adultos e, portanto, regiões com maior porcentagem de práticas pediátricas número maior de casos). Portanto, não é apropriado comparar a magnitude da porcentagem de visitas devido a ILI entre regiões e estações do ano.

Não podemos deixar que esse aviso nos impeça de fazer qualquer coisa, mas pode valer a pena ter em mente. (Kissler et al. Não mencione esse aviso.)

Os dados do FluView são por semana e contêm o número de prestadores naquela semana, o número total de visitas de pacientes, o total de visitas para ILI e uma discriminação por idade das visitas a ILI. Ele também contém a porcentagem de visitas do ILI, que é simplesmente o número de visitas do ILI dividido pelo número total de visitas e uma “porcentagem ponderada” de visitas do ILI, que “é calculada através da combinação de estados específicos do estado. dados ponderados pela população do estado ”(veja aqui).

O Kissler et al. O documento simplesmente usa essa porcentagem ponderada de visitas a ILI como proxy para ILI. Eles se referem a um artigo de Goldstein et al. para discussão das condições sob as quais esse proxy será proporcional à incidência real de ILI e, quando multiplicado pela porcentagem de testes em pacientes com ILI positivos para um vírus específico, fornecerá um proxy válido para a incidência desse vírus:

Esse proxy seria uma medida perfeita (até uma constante multiplicativa) da incidência de infecção por uma cepa específica se as seguintes condições fossem atendidas: (i) a fração de ILIs que resultam em consultas médicas, embora possivelmente varie por cepa, não não variar por ano ou por semana; (ii) o número de consultas médicas por todas as causas nas práticas sentinelas era consistente de semana para semana durante a temporada; (iii) as práticas sentinelas eram representativas de toda a população; e (iv) o teste viral, realizado em um sistema separado, foi realizado em isolados representativos daqueles obtidos de pacientes que consultam as práticas sentinela para ILI.

Não se pode, é claro, esperar que as condições acima sejam exatamente satisfeitas. Goldstein et al. observe que “Mesmo assim, tomamos essa medida de proxy como a melhor medida relativa da incidência específica de cepa da gripe que pode ser calculada a partir de dados de vigilância”. (O artigo de Goldstein et al. Trata de cepas de influenza em vez de coronavírus, mas a técnica usada é a mesma.)

No Kissler et al. papel, condição (iii) não é realmente necessário – seria suficiente que os representantes fossem representativos de uma parte estável e razoavelmente diversa da população dos EUA, uma vez que seria igualmente informativo sobre as características do vírus. Portanto, não está claro que a porcentagem ponderada usada por Kissler et al., Que chamarei proxyW, seja superior à porcentagem não ponderada, que chamarei proxyU. Pode ser pior se o procedimento de ponderação produzir uma violação maior da condição (iv).

A condição (ii) é uma suposição irracional, mesmo em um mundo idealizado, sem todas as outras complicações que existem na realidade (como feriados, como discutido abaixo). Para que isso seja verdade em conjunto com a condição (i), seria necessário visitas a médicos para de outros razões para diminuir sempre que as visitas ao ILI aumentam. Isso só pode ser verdade se as visitas ao médico forem racionadas para um número fixo por semana e as visitas ao ILI forem priorizadas em relação às visitas por outros motivos. Isso parece bastante diferente do funcionamento do sistema de saúde dos EUA. E nos dados, o número total de consultas médicas por semana, de fato, varia substancialmente.

Leia Também  nanotime 0.3.1: Correções de compilação diversas para novos recursos do Yuge!

Uma suposição menos irracional seria que o número de consultas médicas não ILI por semana é constante. Em seguida, o proxy ILI apropriado – que chamarei de proxyA – seria a proporção de visitas ILI a visitas não ILI. Obviamente, o número de visitas não ILI não é realmente constante, mas esse proxy ainda pode ser bom se a variação no número de visitas não ILI for devida a problemas de relatório, como fornecedores iniciando ou interrompendo relatórios de dados para o CDC, e esses problemas afetam as visitas do ILI em proporção. Além disso, se o número de visitas não-ILI variar por outros motivos, talvez esses motivos não estejam relacionados às visitas a ILI e, portanto, apenas adicione ruído imparcial às medições.

Nos dados reais, a porcentagem de visitas devido a ILI nunca é maior que cerca de 8% e, consequentemente, a diferença entre proxyU e proxyA não é grande. Mas o uso de proxyU (ou proxyW) tenderá a diminuir o tamanho dos picos de incidência – por exemplo, um aumento no proxyU de 1% para 8%, um fator de 8, corresponde a um aumento no proxyA de 1/99 = 1,01 % a 8/92 = 8,70%, um fator de 8,6.

ProxyW, proxyU e proxyA têm outros problemas, um dos quais pode ser visto para o proxyW, plotando seu valor ao longo do período usado por Kissler et al. (clique para uma versão ampliada):

As linhas verticais vermelhas indicam o início da “temporada de gripe” do CDC (semana 40); as linhas verdes indicam seu fim (semana 20 do próximo ano). As linhas verticais cinzentas são um pouco antes das semanas de 4 de julho, Dia do Trabalho, Ação de Graças, Natal e Ano Novo (observe que as semanas do CDC começam no domingo). Pode-se ver que as semanas de Ação de Graças, Natal e Dia de Ano Novo (os últimos três feriados de um ano) têm valores sistematicamente mais altos para proxyW (o mesmo ocorre para proxyU e proxyA). Isso é mais claramente visto na trama no final de 2015, mas é válido para todos os anos (com um ou dois casos pouco claros).

Como os valores imediatamente antes e depois desses feriados são mais baixos (observando que o Natal e o dia de ano novo são sempre em semanas consecutivas), fica claro que esses saltos não são devidos aos altos níveis reais de ILI durante essas semanas de feriado. Isso pode parecer contra-intuitivo – as pessoas realmente decidem passar as férias visitando o médico sobre uma doença que eles não se incomodariam em receber atenção se não estivessem de férias? Eles não. Um gráfico de log de visitas ILI mostra que há realmente uma tendência a menos visitas ILI nas semanas de férias, especialmente no Dia de Ação de Graças (clique para uma versão ampliada):

A razão para os valores mais altos de proxy nas semanas de férias é que essas semanas têm uma diminuição ainda maior nas visitas que não são de ILI:

Os intervalos para a escala vertical nessas parcelas logarítmicas são os mesmos. Assim, é possível ver que as diminuições de férias nas visitas que não são de ILI são maiores que as diminuições nas visitas de ILI – talvez as pessoas não visitem os médicos por motivos de rotina durante as férias, mas estão mais inclinados a fazê-lo quando estão realmente doentes. Esse é o motivo do aumento espúrio na porcentagem de visitas devido ao ILI nos feriados.

Tentei corrigir o problema do feriado com uma simples falsificação – substitua cada valor de feriado pela interpolação linear dos dois valores adjacentes não relacionados ao feriado. Eu chamo os proxies modificados proxyWX, proxyUX e proxyAX. Aqui está como esse fudge altera os valores para proxyA (clique para versão maior):

Os pontos cor de rosa acima são os logaritmos dos valores proxyA; as linhas pretas deles vão para os valores correspondentes para proxyAX. Esse fudge parece ter melhorado a situação nos feriados de Ação de Graças, Natal e Ano Novo, embora se possa perguntar se o pico no Natal de 2014 foi achatado demais.

Pode haver outros problemas, no entanto. Uma estrutura mais geral poderia ver o número de casos relatados de ILI em algumas semanas como resultado de três fatores:

  1. A incidência real de ILI naquela semana.
  2. A tendência naquela semana para as pessoas com ILI visitarem um médico.
  3. A disponibilidade para pessoas com ILI naquela semana de médicos que reportam o ILI ao CDC.

Para inferir (1) do número de casos relatados de ILI, primeiro precisamos inferir de alguma forma (2) e (3), ou pelo menos seu efeito combinado.

O proxyA (a proporção de visitas ILI a visitas não ILI) baseia-se em duas suposições. Primeiro, esse (2) é o mesmo para todas as semanas. Segundo, que (3) pode ser estimado pelo número de consultas não ILI – ou seja, que o número de consultas não ILI pode ser considerado como indicativo da disponibilidade para possíveis pacientes com ILI de médicos que se reportam ao CDC, ou Em outras palavras, o número de visitas não relacionadas ao ILI é proporcional à probabilidade de um paciente que gostaria de visitar um médico devido ao ILI visitar um dos médicos que relata visitas ao CDC.

Vemos que nos feriados essa segunda suposição não está correta, uma vez que o número de visitas que não são de ILI cai substancialmente, mas os prestadores que se reportam ao CDC parecem estar tão disponíveis (ou quase tão disponíveis) para pacientes com ILI quanto em outros dias. É possível que nos feriados haja uma pequena redução na disponibilidade para pacientes com ILI de prestadores que se reportam ao CDC. Isso não pode ser facilmente distinguido de uma pequena diminuição nessas semanas na tendência das pessoas com ILI a visitar um médico. Mas distinguir parece desnecessário desde que o efeito total possa ser estimado, que é o que o proxyAX tenta fazer, de maneira grosseira.

Uma abordagem mais elaborada para criar um proxy ILI

Um método menos bruto, que também pode corrigir problemas que não sejam feriados, é criar um modelo para visitas a ILI cujos componentes possam ser identificados (sob algumas suposições) como indicativos de ILI real ou não. Para que isso funcione bem, também pode ser necessário um modelo para visitas que não sejam ILI, alguns dos quais podem ser identificados (com mais suposições) como indicativos do grau de disponibilidade dos provedores que se reportam ao CDC.

Começarei com um modelo para visitas que não são de ILI. Um componente importante desse modelo será o número de fornecedores que se reportam ao CDC a cada semana, cujo log é plotado abaixo:

Leia Também  Webtool do Estudo Eleitoral da Nova Zelândia por @ ellis2013nz

O mais notável é o salto repentino no início da “temporada de gripe” oficial do CDC (linha vermelha, semana 40 do ano). Presumivelmente, mais fornecedores são recrutados no momento. Curiosamente, embora exista uma queda correspondente no final da temporada de gripe (linha verde, semana 20), é muito menor. Os profissionais recrutados no início da temporada de gripe parecem abandonar gradualmente. Talvez muitos se cansem de tudo depois de um tempo (mas se esse for o motivo, é estranho que, aparentemente, todos eles comecem novamente na próxima temporada de gripe). Uma possibilidade mais preocupante é que os provedores desistam porque viram pouco ou nenhum ILI, o que poderia influenciar os resultados, na direção do ILI parecer diminuir mais lentamente do que realmente.

Em 2014 e 2017, também há um pequeno salto após o Dia do Trabalho. Não consigo encontrar uma razão para isso, a menos que alguns fornecedores estejam ansiosos para começar a reportar a temporada de gripe.

Esses saltos no log do número de provedores correspondem a saltos no log do número de visitas ILI e não ILI, mas os saltos nas visitas são menores.

Como primeira tentativa de modelar o log do número de visitas não ILI, ajustei um modelo de regressão com o log do número de provedores como covariável, juntamente com um spline com nove graus de liberdade para capturar a tendência nos cinco período de tempo. Aqui está o ajuste (em azul) junto com os pontos de dados:

Aqui estão os resíduos desse modelo:

O efeito dos feriados (4 de julho, ação de graças, Natal e dia de ano novo) é claramente visível na parcela residual. O próximo modelo adiciona indicadores para esses feriados como covariáveis. São 1 na semana do feriado e 0 no caso contrário (exceto que o indicador de Natal é mais complicado, sendo dividido entre os primeiros e os últimos anos e estando parcialmente ativo para a semana anterior, quando o Natal é no início da semana):

Aqui estão os resíduos desse modelo:

Pode-se observar um forte efeito sazonal no qual o número de visitas cresce em setembro, pouco antes do início oficial da temporada de gripe (marcado pela linha vermelha). Talvez isso esteja relacionado ao fim das férias de verão ou ao início das aulas. Há uma queda abrupta imediatamente após o início da temporada de gripe, presumivelmente porque o mix de fornecedores muda repentinamente. Outros padrões sazonais também parecem estar presentes.

Para modelar um efeito sazonal, adicionei covariáveis ​​da forma sin (2πfy) e cos (2πfy), onde y é um indicador contínuo de anos desde o início do período ef é 1 ou 2. Essas covariáveis ​​são os termos iniciais de uma representação em série de Fourier de uma função periódica. Também adicionei a semana na temporada de gripe e seu quadrado como covariáveis, permitindo a mudança abrupta quando a temporada de gripe começa.

Aqui está o ajuste deste modelo:

cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br

Aqui estão seus resíduos:

Esse parece ser um modelo tão bom quanto podemos esperar para visitas não relacionadas a ILI.

Uma maneira de tentarmos usar esse modelo é usar apenas seus componentes de interceptação, spline e log (provedores) para prever visitas que não são de ILI e tomar a proporção de visitas de ILI a essas previsões para visitas de não-ILI como um proxy para Incidência de ILI. Eu chamo isso de proxyB. Ele terá menos ruído do que o proxyA porque omite resíduos nas previsões para visitas que não são de ILI. Ele lida com o problema de feriado razoavelmente bem, omitindo o componente de feriado nas previsões não ILI. Ao omitir o componente sazonal nas previsões, evita-se a caracterização incorreta da variação sazonal nas visitas não ILI como variação sazonal na incidência de ILI.

No entanto, o proxyB tem alguns problemas sérios. Aqui está como ele se compara ao proxyAX (clique para versão maior):

O ProxyB move sistematicamente pontos (em comparação com o proxyAX) de maneira a introduzir uma descontinuidade no início da temporada de gripe (a linha vermelha). Também parece estar fazendo algo errado em janeiro de 2016.

Podemos esperar fazer melhor usando um modelo para o log do número de visitas do ILI. Como covariáveis, podemos novamente usar um spline, o log do número de provedores e os indicadores de feriados. No entanto, usarei um spline com mais nós (um no início de cada mês), que pode modelar efeitos sazonais e tendências de longo prazo. (Diferentemente das visitas que não são de ILI, a sazonalidade das visitas de ILI não está firmemente fixada no calendário – o horário do pico varia em anos diferentes por várias semanas -, portanto, uma representação de Fourier da sazonalidade comum a todos os anos não é apropriada. )

Aqui está o ajuste para este modelo de log ILI visitas:

Aqui estão seus resíduos:

Esse gráfico residual não revela problemas sérios com o modelo (um pouco de heterocedasticidade, mas podemos tolerar isso). Para usá-lo para produzir um proxy ILI, precisamos decidir quais componentes do modelo manter. A variação devido a feriados parece que não pode ser indicativa de mudança real no ILI. A variação devido à mudança no número de fornecedores também parece irrelevante. Então, ficamos com o ajuste da spline e os resíduos:

Eu chamo esse proxyC (depois de aplicar um fator de escala geral ad hoc para que ele corresponda aproximadamente à escala de outros proxies). Veja como ele se compara ao proxyAX (clique para uma versão maior):

Se olharmos para o momento e logo após o Natal / Dia de Ano Novo, o ProxyC parecerá melhor que o proxyAX em 2016/2017, 2017/2018 e 2018/2019, mas pior em 2014/2015 e 2015/2016, supondo que curvas mais suaves aqui são mais propensas a estar corretas.

Pode-se ver também uma tendência geral do proxyC de diminuir a incidência mínima nos verões antes de 2018 e aumentar o pico de incidência no inverno em 2018 e 2019.

Finalmente, aqui está o ajuste de outro modelo para o log do número de visitas do ILI, no qual o resíduo do modelo final acima para o log do número de visitas não-ILI é incluído como covariável (além dos usados ​​no ILI visita o modelo acima):

Isso não parece muito diferente do ajuste para o primeiro modelo de visitas a ILI, mas há uma melhoria significativa, com o desvio padrão estimado dos resíduos diminuindo de 0,05106 para 0,04703. O coeficiente de regressão para os resíduos do modelo não ILI no modelo ILI é de 0,809, portanto, a variação residual nas visitas não ILI parece ser indicativa de acessibilidade dos prestadores a possíveis pacientes com ILI, em vez de variação na demanda por não ILI serviços médicos.

Uso o ajuste de spline e os resíduos desse modelo para criar outro proxy de incidência de ILI, que chamo proxyD (depois de aplicar novamente um fator de escala geral para torná-lo mais ou menos comparável aos outros proxies). Veja como o proxyD se compara ao proxyC (clique para versão maior):

Leia Também  Próximo Por que R? Webinars em setembro

As alterações no proxyD são pequenas, mas parecem desejáveis, assumindo que menor descontinuidade é mais provável que seja correta.

O ProxyD parece ser o melhor desses proxies, com o proxyAX sendo uma alternativa muito mais simples que vale a pena comparar. Para concluir esta seção, veja como o proxyW, usado por Kissler et al., Se compara ao proxyD:

Pode-se ver o problema do feriado com o proxyW. Também existe uma tendência geral de o proxyW ser menor do que o proxyD em 2018 e 2019. Isso parece relacionado ao aumento no número de provedores que se reportam ao CDC naqueles anos, o que acompanhou um aumento no número de visitas não relacionadas a ILI por provedor nesses anos, e uma diminuição no número de visitas ILI por prestador (pelo menos em alguns períodos). O aviso do site FluView citado acima pode ser relevante aqui – os provedores adicionais que se reportam ao CDC podem atender uma população que faz relativamente mais visitas não relacionadas a ILI.

Os proxies para incidência de coronavírus

O Kissler et al. O documento usa seu proxy ILI para criar proxies para os quatro coronavírus comuns resfriados – NL63, 229E, OC43 e HKU1. [ Note: The R code uses the name E229 instead of 229E, since the latter is not a valid R identifier. ]

Isso é feito de maneira muito simples no artigo – a proxy para a incidência de um vírus é apenas a proxy do ILI (proxyW, ILI percentual ponderado entre todas as visitas) vezes a porcentagem de testes em amostras de ILI positivas para esse vírus.

Aqui está a aparência dos seus proxies (clique para uma versão maior):

Esses gráficos não parecem muito ruins. Mas observe esses proxies em uma escala de log:

O OC43 ainda parece bom, mas os outros, especialmente o HKU1, apresentam muito ruído nos valores menores. Alguns dos valores são zero, mostrados acima como pontos na parte inferior. Observe que é o gráfico logarítmico que é relevante para avaliar como a variabilidade afetará a estimativa posterior dos valores de R.

Após alguma investigação, decidi que uma coisa que precisa ser feita para obter bons resultados é ajustar alguns valores extremos. Não há informações disponíveis sobre o que é responsável por esses valores extremos. Eles podem estar testando ou relatando anomalias, ou podem estar corretos, mas não representativos (por exemplo, devido a testes positivos para todas as pessoas em uma família numerosa).

Aqui estão alguns gráficos do log de porcentagem de testes positivos para cada vírus, com pontos que considero outliers em vermelho e linhas para onde os movi, com zeros novamente plotados na parte inferior (clique para uma versão ampliada):

Os outliers foram substituídos pela média dos quatro pontos mais próximos, exceto pelo outlier NL63, que é zero, essa média foi dividida por 1,3, para refletir a possibilidade de o valor zero não ser totalmente falso.

Também substituí todos os valores zero pelo valor mínimo diferente de zero para a série, dividido por 1,3 para refletir que, embora uma medida zero não possa representar uma incidência zero real, é evidência que a incidência foi menor do que as medidas diferentes de zero .

Os proxies com base nas porcentagens após esses ajustes para outliers e zeros têm um “o” acrescentado ao nome. Aqui, por exemplo, está o proxyAXo de log para os quatro vírus (clique para versão maior):

Esses proxies não têm pontos extremos, mas ainda são bastante barulhentos. Como discutirei em um post posterior, Kissler et al. lidar com o ruído calculando a média de suas estimativas finais para R ao longo de três semanas. Parece melhor reduzir o ruído nesta fase.

A abordagem adotada é reexprimir o proxy de um vírus como o produto do proxy ILI, o total de porcentagens de teste positivas para todos os quatro vírus e a proporção de testes de porcentagem positiva desse vírus para o total. Se nenhuma suavização for feita, será o mesmo que o produto do proxy ILI e os testes percentuais positivos para esse vírus. Mas o efeito de suavizar o total e / ou as proporções para o total é diferente de suavizar as porcentagens de testes positivos. (Os valores externos e zeros são ajustados antes desses procedimentos.)

Crio dois novos conjuntos de proxies suavizando as proporções de porcentagem positiva de cada vírus para a porcentagem total de positiva, aplicando um filtro com resposta ao impulso (0,2,0,6,0.2) uma ou duas vezes. Eu nomeio esses proxies anexando “s” ou “ss” ao nome do proxy ILI. Aqui está o proxyAXss de log:

Também criei proxies baseados na suavização com splines. A seguir, o spline se encaixa nos logits de proporções entre porcentagem positiva e porcentagem total positiva (clique para uma versão ampliada):

Aqui está o spline adequado para o log do percentual total positivo:

A lógica para essa abordagem, suavizando o total e as proporções separadamente, é que o total captura uma boa parte da variabilidade, mas mostra um padrão mais regular, com menos ruído, do que a série percentual positiva individual. Portanto, modelar o total separadamente pode ser benéfico. No entanto, não fiz testes extensivos para validar essa intuição.

Usei esses ajustes de spline para criar duas novas versões dos proxies de coronavírus. As versões “m” usam o ajuste de spline para as proporções, mas os valores reais para os totais. As versões “n” usam os ajustes de spline para ambos. Aqui está o proxyDn:

O ruído certamente foi reduzido. Pode-se, é claro, questionar se algumas características reais foram eliminadas da existência.

Postagens futuras

Na minha próxima postagem, discutirei como os proxies de incidência de coronavírus são usados ​​no artigo para produzir estimativas para os números de reprodução (R) desses vírus, para cada semana de meados de 2014 a meados de 2019. Isto será seguido por um post discutindo como o artigo modela esses valores de R, em termos de imunidade e efeitos sazonais. Como acima, discutirei problemas com os métodos do artigo e alternativas que podem ser melhores.

Após essas postagens, discutirei as partes posteriores do documento, que pretendem fornecer algumas orientações políticas.

var vglnk = {key: ‘949efb41171ac6ec1bf7f206d57e90b8’};

(função (d, t) {
var s = d.createElement
s.src = ‘//cdn.viglink.com/api/vglnk.js’;
var r = d.getElementsByTagName
} (documento, ‘script’));

Para Deixe um comentário para o autor, siga o link e comente no blog: Programação R – Blog de Radford Neal.

R-bloggers.com oferece atualizações diárias por email sobre notícias e tutoriais do R sobre o aprendizado do R e muitos outros tópicos. Clique aqui se você deseja publicar ou encontrar um emprego em ciência da dados / R.


Deseja compartilhar seu conteúdo com R-blogueiros? clique aqui se você tiver um blog ou aqui se não tiver.



cupom com desconto - o melhor site de cupom de desconto cupomcomdesconto.com.br