KIT | KIT-Bibliothek | Impressum | Datenschutz

Schätzung einer zeitabhängigen Reproduktionszahl R für Daten mit einer wöchentlichen Periodizität am Beispiel von SARS-CoV-2-Infektionen und COVID-19

Mikut, Ralf ORCID iD icon; Mühlpfordt, Tillmann; Reischl, Markus ORCID iD icon; Hagenmeyer, Veit

Abstract:

Der Beitrag analysiert die Auswirkungen von wöchentlichen Periodizitäten und zeitlichen Korrekturen auf die Schätzung einer zeitabhängigen Reproduktionszahl R bei Infektionskrankheiten. Zur Reduktion dieser Schwankungen wird eine einfache Methode vorgeschlagen, die auf einem akausalen Filter der Filterlänge 7 und optionalen Schätzungen zukünftiger Fallzahlen beruht. Dabei werden die gleichen Tage der Vorwoche als Basis für die Schätzungen verwendet, weil sich das in einer anderen Domäne mit wöchentlichen Periodizitäten-der Lastprognose in Energiezeitreihen-bewährt hat. Akausale Filter vermeiden unerwünschte Zeitverzögerungen, die bei kausalen Filtern auftreten. Die Ergebnisse werden anhand der Fallzahlen von SARS-CoV-2-Infektionen und COVID-19 (Coronavirus Disease 19) in Deutschland mit existierenden Ansätzen des Robert-Koch-Instituts in Deutschland verglichen. Die vorgeschlagene Methode kompensiert wöchentliche Periodizitäten besser und reduziert Phasen mit einer scheinbarenÜberschreitung von R > 1, die oftmals eine besondere öffentliche Aufmerksamkeit hervorrufen. Darüberhinaus werden die Potenziale und Grenzen von verschiedenen Nowcasting-Modellen aufgezeigt, die Fallzahlen auf ein Erkrankungsdatum projizieren.


Volltext §
DOI: 10.5445/IR/1000119466
Veröffentlicht am 18.05.2020
Cover der Publikation
Zugehörige Institution(en) am KIT Institut für Automation und angewandte Informatik (IAI)
Publikationstyp Forschungsbericht/Preprint
Publikationsjahr 2020
Sprache Deutsch
Identifikator KITopen-ID: 1000119466
HGF-Programm 46.12.01 (POF III, LK 01) Data Life Cycle Labs
Verlag Karlsruher Institut für Technologie (KIT)
Umfang 12 S.
Externe Relationen Abstract/Volltext
KIT – Die Forschungsuniversität in der Helmholtz-Gemeinschaft
KITopen Landing Page