COVID

1

有个案代际时间的Rt计算

通过流行病学调查等方法，可以获得病例的传播关系，获得案例之间的代际时间（如果只有部分关系，可理解为从整体中抽样）。在“EpiEstim”包中，可以利用马尔科夫链蒙特卡洛方法(Markov Chain Monte Carlo，MCMC)取得对这些代际时间进行重采样。计算代际时间前需要将数据资料整理成类似表2的数据框。表2中每一行数据代表一个由感染者和被感染者组成对子。EL表示感染者发病时刻（整数型）的下边界，ER表示感染者发病时刻的上边界（ER≥EL，感染者在ER至EL期间发病）；SL表示被感染者发病时刻（整数型）的下边界，SR表示被感染者发病时刻的上边界（SR≥SL，被感染者在SR至SL期间发病）；type包括0,1,2，分别表示双侧不确定（感染者和被感染者的确切发病时间均未知）、单侧不确定（感染者和被感染者只有一方有确切发病时间）和确切观测（感染者和被感染者均有确切发病时间）。

表2 个案代际时间数据

由于公开数据中可获得的 COVID-19的代际时间对子较少，我们模拟了一些数据进行分析。

首先，基于MCMC对个案代际时间进行重抽样。该过程依赖于利用dic.fit.mcmc函数，dat参数指定数据(si_data表示代际时间数据，结构如表2)，dist参数指定初始分布为gamma分布，init.pars为初始设置，burnin为去除初始抽样的次数（初始抽样不稳定），n.samples为重抽样次数，seed为种子数。

code

library(EpiEstim)

library(coarseDataTools)

MCMC_seed