پیشرو با ناشناختهها در COVID-19 مدل

به عنوان ایالات متحده در صدر جدول در COVID-19 نفر و نرخ رشد این موضوع تاسف است که همه جا در رسانه ها. زمان از دست رفته که می توانست صرف تصویب دقیق تر فاصله اقدامات وزن آن در ذهن بسیاری از رهبران و شهروندان است. به عنوان یک محقق در عدم قطعیت تجسم من از ترس یک نوع متفاوت از پشیمانی از پاسخ ما به COVID-19.

بسیاری از جلوه های تصویری از جمله تغییرات در این به طور گسترده ای توزیع شده صاف منحنی نمودار نشان دهنده برآورد تولید شده توسط مدل. این مدل شبیه سازی تعدادی از افرادی که آلوده می شود و نیاز به بستری شدن در بیمارستان یا مرگ تحت شرایط مختلف. صاف منحنی سازگار تجسم برای اولین بار ارائه شده توسط CDC در سال 2007 به مقایسه تخمین تحت سطوح مختلف و مدت زمان اجتماعی فاصله. نویسنده اضافه شده یک خط نقطه چین به نمایندگی خود در برآورد تعداد در دسترس تخت بیمارستان در کشور است.

از آن آسان است به درک و پیش بینی موارد و مرگ و میر ناشی از شبیه سازی به عنوان کامل توصیفاتی از آنچه که ما انتظار می رود بر اساس آنچه ما می دانیم. برای یک چیز, این مدل را در جریانهای چندگانه اطلاعات موجود: در COVID-19 موارد مرگ و میر و میزان بستری شدن در بیمارستان; چگونه به سرعت COVID-19 گسترش تحت شرایط مختلف در جای دیگر در جهان; و در چه مربوط به ویروس ها گسترش یافته در گذشته به نام چند.

نتایج مدل قدرتمند هستند چرا که آنها از ما می توانید محاسبه خطرات. مثلا چقدر بیشتر احتمال دارد آن است که ما از مرگ می رسد میزان 10 درصد از موارد به عنوان آن را در ایتالیا تحت دورى اقدامات? چگونه به احتمال زیاد آن است که این ویروس را به اوج در دو تا سه هفته ؟ با کمی گمنام تخمین می زند از خطرات روشن است که چه اتفاقی خواهد افتاد این است که نه کاملا خاص اما می تواند با این وجود ما توانمند برای تصمیم گیری و وزن تجارت آف.

چه نگرانی من به عنوان یک متخصص در استدلال تحت عدم قطعیت است سخت تر از نوع عدم قطعیت: عدم اطمینان است که ناشی از بسیاری از مجهولات اساسی COVID-19 داده ها و مدل های. ما نمی توانیم به راحتی تعیین کمیت این عدم قطعیت و آن را آسان به چشم پوشی از آن نیست منتقل شده توسط مدل برآورد تنهایی.

یک شکل غیرقابل سنجش عدم قطعیت ناشی از محدود ما توانایی برآورد که چگونه دقیق اطلاعات ورودی به این مدل است. اطلاعات موجود در COVID-19 مورد شمارش هستند به احتمال زیاد غیر قابل اعتماد به عنوان یک نتیجه از تفاوت های بزرگ در مقیاس تست در مکان های مختلف همراه با تناقضات چگونه تست کاربردی در یک محل واحد است. این منجر به تعداد مورد مقایسه سیب را به پرتقال است. تعداد زیادی از موارد در یک مکان و یا حتی یک نرخ بالاتر از موارد سرانه لزوما برابر به خطر بالاتر است. بیشتر احتمال دارد به این معنی که ارائه دهندگان خدمات سلامت در حال آزمایش به طور گسترده تر در آن مکان. تا زمانی که ما پیاده سازی جامع تر nonselective تست ما نمی توانیم تعیین دقیقا چگونه در معرض خطر از تعصب این داده ها هستند.

داده های مرگ و میر ناشی از COVID-19 به احتمال زیاد قابل اطمینان تر اما هنوز هم ممکن است به دور از کامل است. برای مثال ممکن است دشوار برای ردیابی اینکه آیا COVID-19 یا یکی دیگر از وضعیت موجود ناشی از مرگ در سالمندان است. جامعه تصمیم گیرندگان نیز ممکن است انگیزه برای underreport مرگ و میر برای جلوگیری از گسترش وحشت و یا فلج یک اقتصاد محلی.

دوم شکل غیرقابل سنجش عدم قطعیت ناشی از این واقعیت است که مدل ها اغلب ناخالص ساده از موقعیت های دنیای واقعی. بسیاری از مدل های مورد استفاده برای پیش بینی آینده ما را تحت COVID-19 را قوی فرض که به نظر می رسد در تضاد با آنچه که ما انتظار داریم در واقعیت است. مدل های متفاوت و در مفروضات آنها را در مورد مکانیسم پشت انتقال بيماري. برخی از روش های تمرکز بر برازش منحنی به اطلاعات موجود به جای فرض مکانیسم های که برای حساب واقعیت مانند ـلی و مصونیت پس از عفونت است.

حساب دیگران برای این پویایی اما قوی مفروضات در مورد پیش بینی رفتار انسان در مواجهه با یک بحران است. گاهی اوقات به نام ابهام غیر عددی عدم قطعیت مانند unquantifiable inexactness از یک مدل به عنوان یک پایه در واقعیت به این معنی است که ما پیش بینی می تواند خاموش با کمی یا زیادی بسته به اینکه چگونه ناقص مدل مفروضات شد. “همه مدل ها در اشتباه هستند اما برخی از آنها مفید,” گفت: جورج جعبه یک آماردان یادآوری ما را از تنش بین درک مدل به عنوان ابزار برای تفکر در مقابل انتظار مدل به وحی. متاسفانه دقیق نقد مفروضات مدل مانند دیگر صریح ارائه قطعیت, به ندرت باعث می شود آن را به عموم مقالات و یا تصویری استفاده می شود به ارائه نتایج.

آن را به خصوص آسان به چشم پوشی کردن قدرت از مفروضات مدل را به دلیل پیش بینی های خود را می تواند به نظر می رسد جامع است. به جای تولید یک عدد مانند یک تعداد یک مدل به طور معمول تولید یک مجموعه ای از پیش بینی نتایج. صاف منحنی برای مثال نشان می دهد دو حوزه نمایندگی مورد شمارش در طول زمان: اگر ما تصویب اقدامات حفاظتی و اگر ما نمی کنند. یک پیش بینی تعدادی از عفونت نشان داده شده است برای هر روز پس از اولین مورد تایید شده.

حتی زمانی که سنجش عدم قطعیت در ارتباط با این مدل پیش بینی شده است نشان داده شده است—در این مورد ما نمی بینیم و ارزش های دیگر که پیش بینی شده مورد شمارش روز می تواند تحت مدل مفروضات–تصویری مانند پهن کردن منحنی می تواند حاکی از تکمیل از طریق مجموعه ای از پیش بینی تولید آنها است. برای بسیاری از دیدن یک تصویر گرافیکی از توزیع امکانات در طول زمان و یا فضا ممکن است به نظر می رسد مانند مظهر علمی خوابي. در پشت ظاهر دقیق تصاویری با این حال تعدادی از آزمون و خطا.

حضور عدم قطعیت را شدید اجتماعی فاصله اقدامات در حال تصویب در بسیاری از ایالت ها یک واکنش افراطی? نه لزوما. در غیاب خوب برآورد خطر آن است که منطقی به گارد در برابر بدترین نتایج. این بهترین ما می توانیم انجام دهید تا زمانی که ما دریافت اطلاعات بهتر.

آنچه که خطرناک است و اگر ما موفق به تشخیص تفاوت بین مدل پیش بینی های انجام شده در حال حاضر بر اساس اطلاعات محدود و پیش فرض های قوی تر و قابل اعتماد داده است که در طول زمان ظهور به عنوان ویروس ایفا می کند. اگر مدل های اولیه پیش بینی به نوبه خود به دست بالا گرفتن COVID-19 مرگ و میر و یا خطر برای سلامتی سیستم و یا دست کم آن را با مقدار قابل توجهی ممکن است بسیاری از سرزنش دانشمندان برای اشتباه بودن. آنها ممکن است اعتماد داده محور برآورد کمتر در آینده است.

ارائه واضح و روشن از عدم قطعیت می توانید مدل تخمین می زند به نظر می رسد کمتر اطمینان بخش است اما می تواند به جلوگیری مردم از سرزنش پیش بینی و یا سرمایه گذاری علمی خود را زمانی که ما باید انتظار این مدل اشتباه است. تجارت اعتماد عمومی به علم در آینده است که ارزش احساس تر و مطمئن باشید در کوتاه مدت مهم نیست که چقدر ما به دنبال از بین بردن عدم قطعیت است.

tinyurlis.gdv.gdv.htu.nuclck.ruulvis.netshrtco.detny.im

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>