ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > Analyse de la Distribution Spa...>الوصف

Analyse de la Distribution Spatiale de la Mortalité Par COVID-19 en Algérie en 2020: Une Approche D’estimation par l’Algorithme de Metroplis-Langevin Ajusté

العنوان بلغة أخرى: Analysis of Spatial Distribution of COVID-19 Mortality in Algeria 2020: A Metroplis-Adjusted Langevin Algorithm Fitting Approach
المصدر: مجلة رؤى اقتصادية
الناشر: جامعة الوادي - كلية العلوم الاقتصادية والتجارية وعلوم التسيير
المؤلف الرئيسي: Asri, Ayoub (Author)
مؤلفين آخرين: Iferroudjene, Cylia (Co-Author)
المجلد/العدد: مج12, ع2
محكمة: نعم
الدولة: الجزائر
التاريخ الميلادي: 2022
الشهر: ديسمبر
الصفحات: 149 - 164
DOI: 10.37137/1416-012-002-008
ISSN: 2253-0088
رقم MD: 1349744
نوع المحتوى: بحوث ومقالات
اللغة: الفرنسية
قواعد المعلومات: EcoLink
مواضيع:
جائحة كورونا "كوفيد-19" | الأمراض الوبائية | البيانات المكانية | النمذجة الهرمية | الجزائر
كلمات المؤلف المفتاحية:
Bayesian Analysis | Spatial Models | COVID-19 Occurrence | MALA | Hierarchical Modeling
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون

عدد مرات التحميل

1

حفظ في:
المستخلص: Bayesian methods have been greatly developed in the last two decades, especially in the field of public health. The advances in Markov Chain Monte Carlo (MCMC) methods have permitted Bayesian modeling to be used enormously by researchers. One of the latest additions to the MCMC family is the Metropolis-Adjusted Langevin Algorithm (MALA). MALA has the advantage of incorporating stochastic differential equations into the classical Metropolis algorithm. Adding a diffusion equation to the MCMC algorithm has improved the accuracy of these algorithms. However, this method still consumes a huge amount of time until convergence. Combining MALA with spatial area data is now one of the most powerful tools to address some epidemiological problems. We review spatial areal data analysis with the MALA algorithm in this paper and present an application on COVID-19 occurrence in Algeria in 2020.

Les méthodes bayésiennes se sont considérablement développées au cours des deux dernières décennies, notamment dans le domaine de la santé publique. Les avancées des méthodes de Monte Carlo par chaines de Markov (MCMC) ont permis à la modélisation bayésienne d'être énormément utilisée par les chercheurs. L'un des derniers ajouts à la famille MCMC est l'algorithme de Metropolis-Langevin Ajusté (MALA). MALA a l'avantage d'incorporer des équations différentielles stochastiques dans l'algorithme Metropolis classique. L'ajout d'une équation de diffusion à l'algorithme MCMC a amélioré la précision de ces algorithmes. Cependant, cette méthode consomme encore énormément de temps jusqu'à la convergence. La combinaison de MALA avec des données spatiales surfaciques est maintenant l'un des outils puissants pour résoudre certains problèmes épidémiologiques . Dans cet article, nous passons en revue l'analyse des données spatiales surfaciques avec l'algorithme MALA et présentons une application sur l'occurrence du COVID-19 en Algérie au cours de l'année 2020.
ISSN: 2253-0088

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.