Vergleichende Studie zu Bayesianischen und Frequentistischen Methoden für die Epidemievorhersage: Erkenntnisse aus simulierten und historischen Daten

Eine präzise Epidemievorhersage ist entscheidend für effektive öffentliche Gesundheitsinterventionen. Diese Studie vergleicht Bayesianische und Frequentistische Schätzrahmen innerhalb deterministischer compartmentaler Epidemiemodelle und konzentriert sich auf nichtlineare kleinste Quadrate Optimierung versus Bayesianische Inferenz mittels MCMC-Sampling über Stan. Wir vergleichen die Vorhersagegenauigkeit unter gemeinsamen Modellstrukturen und Fehlerannahmen für spezifische Implementierungen beider Ansätze. Wir bewerten die Leistung anhand von simulierten Datensätzen (mit R0-Werten von 2 und 1,5) sowie historischen Datensätzen, einschließlich der Grippepandemie von 1918, der Pest von Bombay 1896-97 und der COVID-19-Pandemie. Bewertungsmetriken umfassen den Mittelwert der absoluten Fehler, den Wurzel-Mittelwert-Quadrat-Fehler, den gewichteten Intervallwert und die 95%-Vorhersageintervallabdeckung. Die Vorhersagegenauigkeit hängt von der Epidemiefase und den Eigenschaften des Datensatzes ab, wobei keine Methode in allen Kontexten konstant besser abschneidet. Frequentistische Methoden funktionieren gut in den Spitzen- und Nachspitzenphasen, sind jedoch vor der Spitze weniger genau. Bayesianische Methoden, insbesondere mit gleichverteilten Priors, bieten eine bessere Genauigkeit zu Beginn der Epidemie und eine stärkere Unsicherheitsquantifizierung, was besonders wertvoll ist, wenn Daten spärlich oder verrauscht sind. Frequentistische Methoden führen oft zu genaueren Punktvorhersagen mit niedrigeren Fehlermetriken, obwohl ihre Intervallschätzungen möglicherweise weniger robust sind. Wir untersuchen, wie die Wahl des Priors die Bayesianischen Vorhersagen beeinflusst und wie sich die Verlängerung der Vorhersagehorizonte auf die Konvergenz auswirkt. Diese Ergebnisse bieten praktische Hinweise zur Auswahl von Schätzstrategien, die auf die Epidemiefase und die Datenqualität zugeschnitten sind, um effektivere öffentliche Gesundheitsinterventionen zu unterstützen.