Bayessche kompartmentalisierende Modelle: Unterschied zwischen den Versionen
Markus (Diskussion | Beiträge) Die Seite wurde neu angelegt: „== Kurzbeschriebung == [[Beschreibung ist::Bayessche kompartmentalisierende Modelle sind eine Erweiterung klassischer kompartmentaler Infektionsmodelle (z. B. SIR, SEIR), bei denen Modellparameter und Zustände probabilistisch im bayesschen Rahmen behandelt werden. Die Bevölkerung wird in diskrete Kompartimente (z. B. Susceptible, Exposed, Infected, Recovered) eingeteilt, zwischen denen Übergänge gemäß definierter Dynamiken stattfinden.]] Beschre…“ |
Markus (Diskussion | Beiträge) Keine Bearbeitungszusammenfassung |
||
| (2 dazwischenliegende Versionen desselben Benutzers werden nicht angezeigt) | |||
| Zeile 27: | Zeile 27: | ||
== Semantik == | == Semantik == | ||
Englische Wikipediaseite ist: [[Wikipedia-en-Seite ist::Compartmental_models_(epidemiology)#Heterogeneous_(structured,_Bayesian)_model]] | |||
Englische Wikipediaseite ist: [[Wikipedia-en-Seite ist:: | |||
]] | |||
Quelle: [[Quelle ist::Anderson & May (1991), Infectious Diseases of Humans; Held et al. (2019), Bayesian SIR models]] | Quelle: [[Quelle ist::Anderson & May (1991), Infectious Diseases of Humans; Held et al. (2019), Bayesian SIR models]] | ||
| Zeile 39: | Zeile 33: | ||
Behandlung von Unsicherheit in den Ergebnissen der Methode ist [[Behandlung von Unsicherheit in den Ergebnissen der Methode ist::explizit]] | Behandlung von Unsicherheit in den Ergebnissen der Methode ist [[Behandlung von Unsicherheit in den Ergebnissen der Methode ist::explizit]] | ||
Für die Methode benötigte Datenmenge ist [[Für die Methode benötigte Datenmenge ist:: | Für die Methode benötigte Datenmenge ist [[Für die Methode benötigte Datenmenge ist::mittel]] | ||
Zweck der Methode ist [[Zweck der Methode ist::Simulation | Zweck der Methode ist [[Zweck der Methode ist::Simulation]], [[Zweck der Methode ist::Inferenz]], [[Zweck der Methode ist::Voraussage]] | ||
Methode ist Mitglied der Methodenfamilie [[Methode ist Mitglied der Methodenfamilie::Bayessch | Methode ist Mitglied der Methodenfamilie [[Methode ist Mitglied der Methodenfamilie::Bayessch]], [[Methode ist Mitglied der Methodenfamilie::Mechanistisch]], [[Methode ist Mitglied der Methodenfamilie::Simulation]], [[Methode ist Mitglied der Methodenfamilie::Hybrid]] | ||
Interpretierbarkeit der Ergebnisse der Methode ist [[Interpretierbarkeit der Ergebnisse der Methode ist::gut]] | Interpretierbarkeit der Ergebnisse der Methode ist [[Interpretierbarkeit der Ergebnisse der Methode ist::gut]] | ||
Aktuelle Version vom 3. Februar 2026, 16:53 Uhr
Kurzbeschriebung
Bayessche kompartmentalisierende Modelle sind eine Erweiterung klassischer kompartmentaler Infektionsmodelle (z. B. SIR, SEIR), bei denen Modellparameter und Zustände probabilistisch im bayesschen Rahmen behandelt werden. Die Bevölkerung wird in diskrete Kompartimente (z. B. Susceptible, Exposed, Infected, Recovered) eingeteilt, zwischen denen Übergänge gemäß definierter Dynamiken stattfinden.
Die Dynamik wird typischerweise durch Differentialgleichungen oder diskrete Übergangsmodelle beschrieben, z. B. im SIR-Fall '"`UNIQ--math-00000000-QINU`"', '"`UNIQ--math-00000001-QINU`"', '"`UNIQ--math-00000002-QINU`"', wobei die Parameter '"`UNIQ--math-00000003-QINU`"' und '"`UNIQ--math-00000004-QINU`"' als Zufallsvariablen mit Priorverteilungen modelliert werden. Beobachtungsdaten (z. B. Fallmeldungen) werden über ein explizites Beobachtungsmodell mit den latenten Zuständen verknüpft.
Inference erfolgt bayessch über den Posterior der Zustände und Parameter, meist mittels MCMC, Particle MCMC oder Sequential Monte Carlo. Dadurch lassen sich Unsicherheit, Zeitvariation von Parametern und unvollständige Beobachtungen konsistent berücksichtigen.
Anwendbarkeit im Gesundheitssektor
Im Public Health sind bayessche kompartmentalisierende Modelle ein zentrales Werkzeug zur Modellierung und Analyse von Infektionskrankheiten, etwa für COVID-19, Influenza, Masern oder HIV. Sie werden eingesetzt zur Schätzung epidemiologischer Kenngrößen (z. B. Basis- oder effektive Reproduktionszahl), zur Bewertung von Interventionen und zur Projektion möglicher Epidemieverläufe.
Besonders wichtig ist ihre Fähigkeit, Unsicherheit explizit darzustellen und heterogene Datenquellen (Meldedaten, Hospitalisierungen, Seroprävalenzen) zu integrieren. Damit eignen sie sich sowohl für wissenschaftliche Analyse als auch für politiknahe Entscheidungsunterstützung und Szenarioplanung.
Sonstiges
Erweiterbar um Alters-, Raum- oder Kontaktstrukturen
Kombination aus mechanistischem Wissen und statistischer Inferenz
Rechenintensiv bei komplexen Modellen
Semantik
Englische Wikipediaseite ist: Compartmental_models_(epidemiology)#Heterogeneous_(structured,_Bayesian)_model
Quelle: Anderson & May (1991), Infectious Diseases of Humans; Held et al. (2019), Bayesian SIR models
Behandlung von Unsicherheit in den Ergebnissen der Methode ist explizit
Für die Methode benötigte Datenmenge ist mittel
Zweck der Methode ist Simulation, Inferenz, Voraussage
Methode ist Mitglied der Methodenfamilie Bayessch, Mechanistisch, Simulation, Hybrid
Interpretierbarkeit der Ergebnisse der Methode ist gut
Webseite: https://mc-stan.org/users/documentation/case-studies.html