Ricerca

ROBBAYES-C19

Robbayes-C19 è un gruppo di ricerca aggregatosi spontaneamente nell'intento di studiare la capacità descrittiva e previsiva a breve termine di alcuni modelli statistici, sulla base di dati cumulati rilevati dalla Protezione Civile sulla diffusione in Italia del Covid-19.

Robbayes-C19 is a research group that spontaneously aggregated in order to study the short-term descriptive and forecasting capacity of some statistical models, on the basis of cumulative data collected by the Civil Protection on the spread of Covid-19 in Italy.

Materiali - Materials

• Robbayes-C19, Statistica e Società, Anno IX 2020, Edizione Speciale Covid-19
• Robust inference for nonlinear regression models from the Tsallis score: application to Covid-19 contagion in Italy, Stat, to appear
• Rcode
• Robust Bayesian modelling for Covid-19 data in Italy, Significance
• Dai dati ai modelli statistici: analisi dell'epidemia di COVID-19 in Italia (Statisticall Webinar)
• COVID-19: senza Statistica il tampone non basta (Webinar)
• Le parole dell'epidemia in pillole
  
• Facebook Robbayes page

I Dati e i Modelli

In particolare, i dati considerati sono quelli relativi ai ricoveri in terapia intensiva e ai decessi, regionali e totali. Le analisi si basano su modelli nonlineari (normali, Poisson, Binomiale Negativa) e tramite scoring rules robuste ed estensioni in ottica bayesiana. Il ricorso alla robustezza è necessario sia per la imprecisione dei dati sia per l'incertezza sulla specificazione dei modelli, aspetto questo che richiede l'uso dell'approccio bayesiano tanto più appropriato quanto più gli esperti di dominio (virologi, operatori sanitari, studiosi dei fenomeni epidemici in generale) possono aiutare nell'elicitazione delle prior.

I modelli sono implementati in R, free-software.
Il gruppo è composto da ricercatori dell'Università di Padova (Girardi, Ruli, Ventura), Udine (Mameli), Cagliari (Musio, Racugno), Benevento (Greco), con competenze di modellizzazione robusta, sia in ambito frequentista sia bayesiano ed esperienze di collaborazioni in statistica medica e epidemiologia. I ricercatori sono soci della Società Italiana di Statistica.

Pagina Facebook: https://www.facebook.com/Robbayes-C19-111971610458527/

Critiche, segnalazioni e suggerimenti sono graditi.

 SIS COVID-19

FASE 1 - sino al 3 maggio 2020

Dati cumulati. A titolo di esempio sono riportati qui di seguito alcuni grafici descrittivi riguardanti i decessi e i ricoveri cumulati in terapia intensiva a livello nazionale (3 maggio 2020). I grafici a sinistra e al centro mostrano i dati cumulati (decessi cumulati e ricoveri in terapia intensiva cumulati, un indice di utilizzo del reparto); i punti neri sono i dati osservati e le curve rosse sono le stime-previsioni con i modelli robusti. I grafici a destra mostrano i dati giornalieri (per ogni giorno i nuovi ricoveri in terapia intensiva e i nuovi decessi); in questi grafici si vede il famoso "picco". 

 I grafici dei modelli stimati per regione per il 3 maggio sono riportati di seguito (i grafici sono disponibili dal 27 marzo 2020):

Distribuzioni marginali robuste (con reference prior) per l'asintoto superiore, il punto di flesso e la media per i decessi e i ricoveri cumulati in terapia intensiva a livello nazionale (25 aprile 2020).

 Alcuni Riferimenti Bibliografici

• Basu, A., Harris, I.R., Hjort, N.L., Jones, M.C. (1998). Robust and efficient estimation by minimising a density power divergence. Biometrika, 85, 549– 559.
• Bates, D.M., Watts, D.G. (2007). Nonlinear regression analysis and its applications. Wiley, New York.
• Dawid, A.P., Musio, M., Ventura, L. (2016). Minimum scoring rule inference. Scand. J. Statist., 43, 123–138.
• Farcomeni, A., Ventura, L. (2012), An overview of robust methods in medical research, Stat. Meth. Med. Res., 21, 111-133.
• Ghosh, M., Basu, A. (2013). Robust estimation for independent non-homogeneous observations using density power divergence with applica- tions to linear regression. Electr. J. Statist., 7, 2420–2456.
• Ghosh, M., Basu, A. (2016). Robust Bayes estimation using the density power divergence. Ann. Inst. Stat. Math., 68, 413–437.
• Giummole', F., Mameli, V., Ruli, E., Ventura, L. (2019). Objective Bayesian inference with proper scoring rules. Test, 28, 728-755.
• Huber, P.J., Ronchetti, E.M. (2009). Robust Statistics. Wiley, New York.
• Mameli, V., Musio, M., Ventura, L. (2018). Bootstrap adjustments of signed scoring rule root statistics. Comm. Stat. - Simul. Comput., 47, 1204-1215.
• Mameli, V., Ventura, L. (2015). Higher-order asymptotics for scoring rules. J. Statist. Plann. Inf., 165, 13–26.
  
• Ritz, C., Baty, F., Streibig, J.C., Gerhard, D. (2015). Dose-Response Analysis using R. PLoS ONE 10(12): e0146021.
  
• Tsallis, C. (1988). Possible generalization of Boltzmann-Gibbs statistics. J. Statist. Physics, 52, 479–487.
• Ventura, L., Racugno, W. (2016). Pseudo-likelihoods for Bayesian inference. In: Topics on methodological and applied statistical inference, series studies in theoretical and applied statistics, pp. 205–220. Springer, Berlin.