识别流行病期间行为变化贝叶斯模型中的记忆机制

《Epidemics》：Identifying memory mechanisms in Bayesian models of behavioural change during epidemics

　　

对流行病动力学的精确建模通常需要考虑个体如何根据感知到的感染风险调整自身行为。尽管现有的行为变化流行病模型尝试捕捉这种反馈，但它们通常对记忆如何影响反应做出简单且针对特定情况的假设。例如，这些模型大多仅关注近期病例，从而忽略了早期经验如何持续塑造当前的风险感知。本研究在贝叶斯SIR（易感-感染-移除）流行病建模框架内引入了一个统一的记忆机制增强行为变化（MEBC）模型框架。研究人员考察了五种替代记忆机制——无记忆、滑动窗口、幂律、指数和倒数机制——每种机制都描述了过往流行病信息影响当前行为的不同方式。研究人员采用完全贝叶斯数据增强MCMC（马尔可夫链蒙特卡洛）方案来联合估计传播参数和行为参数，同时考虑感染期的不确定性。仿真实验表明，MEBC模型能够准确恢复参数，并且在记忆结构被错误指定时仍保持稳健。将模型应用于迈阿密-戴德县（Miami-Dade County）的COVID-19早期暴发以及马尼托巴省（Manitoba）2023–2024流感季节，结果表明，纳入易于解释的记忆机制显著改善了模型拟合，突显了集体记忆在塑造行为适应和传播动态中的关键作用。

## 论文解读：流行病贝叶斯行为变化模型中的记忆机制识别

### 研究背景与问题

传染病的传播过程深受人群行为的影响。当感染风险上升时，人们常采取减少出行、限制聚集、使用防护装备等预防措施，从而改变接触模式并影响疫情走向。COVID-19大流行提供了典型例证：行为调整显著缓和了传播速度，但随着风险感知下降，防控措施的放松又可能引发新一轮暴发。这种行为与传播之间的动态反馈表明，在流行病模型中纳入行为适应机制至关重要。

然而，现有行为变化流行病模型在描述记忆如何影响风险感知方面存在局限。许多模型仅关注近期病例（如前一天的发病率），忽略了更早的经历如何持续塑造当前风险感知。心理学研究指出，人类对过去事件的记忆是逐渐衰减而非突然消失的，并且人们会根据累积经验而非短期信息调整行为。忽视这些记忆效应可能导致行为适应机制失真，并扭曲对传播动态的估计。因此，需要一种更灵活、数据驱动的框架来描述记忆如何影响行为反应。

### 研究内容与结论

本研究提出了一种统一的记忆机制增强行为变化（Memory Mechanism Enhanced Behavioural Change, MEBC）模型框架，嵌入在贝叶斯SIR（Susceptible-Infectious-Removed, 易感-感染-移除）流行病建模框架内。研究人员考察了五种不同的记忆机制：无记忆（memoryless）、滑动窗口（sliding window）、幂律（power-law）、指数（exponential）和倒数（reciprocal）机制，每种机制以不同方式表征过往流行病信息对当前行为的影响。采用完全贝叶斯数据增强MCMC（Markov chain Monte Carlo, 马尔可夫链蒙特卡洛）方法联合估计传播参数、行为参数以及记忆相关参数，同时考虑感染期的不确定性。

仿真实验表明，MEBC模型能够准确恢复生成参数，并且在记忆结构被错误指定时仍表现出一定稳健性。将模型应用于早期COVID-19暴发（迈阿密-戴德县）和2023–2024流感季节（马尼托巴省）的真实数据后发现，纳入易于解释的记忆机制显著改善了模型拟合，突显了集体记忆在塑造行为适应和传播动态中的关键作用。该论文发表在《Epidemics》期刊。

### 关键技术方法概述

研究人员采用离散时间链二项式SIR模型，通过数据增强MCMC（Data-augmented MCMC）将未观测到的移除过程（恢复事件）作为潜变量进行联合采样。贝叶斯推理使用自适应随机游走Metropolis-Hastings采样器实现，并在Julia语言(v1.11.6)中计算。对于滑动窗口模型，采用两阶段启发式方法：先用短链探索窗口长度候选值（1至30天），再根据WAIC（Watanabe-Akaike Information Criterion, 渡边-赤池信息准则）选择最优值。模型比较通过后验预测分布（Posterior Predictive Distribution, PPD）和WAIC进行。数据来源：COVID-19数据来自美国COVID-19预报中心（COVID-19 Forecast Hub）数据集；流感数据来自马尼托巴省政府省级呼吸道病毒监测报告。人口数据分别基于2020年美国人口普查和加拿大统计局估计。

### 研究结果

#### 3. 仿真研究 (Simulation study)

- **3.1 仿真设置**：针对五种MEBC模型各模拟20次疫情暴发（N=1,000,000, I₀=10, 持续50天）。参数设置见表1，先验分布除恢复率γ采用强信息先验外均为弱信息先验。
- **3.2 仿真结果**：所有MCMC链的Gelman-Rubin-Brooks诊断显示潜在尺度缩减因子（R-hat）均低于1.1。无记忆和幂律模型参数恢复准确，95%可信区间经验覆盖率良好（大多数参数接近20/20）。滑动窗口模型在17个数据集中正确识别了真实窗口长度（k_max=14），但在3个错误选择k_max=13的数据集中出现参数估计向上偏倚。后验预测分布（PPD）显示三种记忆衰减模型对每日新感染数I_t^*和警报函数a_t的预测均高度准确，真实值几乎完全落在95%最高后验密度区间（HPDI）内。指数和倒数机制结果类似。

#### 4. 记忆机制误指定 (Memory mechanism misspecification)

- 当真实模型为无记忆时，三种记忆衰减模型收敛困难；当真实模型为指数时，倒数模型收敛率低。无记忆模型和滑动窗口模型在非匹配设定下预测稳定性最差。记忆衰减模型整体稳健性更强，但无法捕捉滑动窗口模型特有的反弹现象，原因在于前者平滑衰减的记忆权重与后者的硬截止效应存在结构性不兼容。WAIC比较显示真实生成模型通常取得最低WAIC，但幂律模型在真实过程为倒数时略优。

#### 5. 应用 (Applications)

- **5.1 COVID-19（迈阿密-戴德县）**：分析早期阶段（2020年3月16日至5月13日），使用七日移动平均确诊病例，人口N=2,701,767。所有五种MEBC模型及7日平均经验模型均进行了拟合。幂律模型获得最低WAIC（958.389），后验预测准确捕捉了感染峰值的时间和大小；无记忆模型表现最差（WAIC=1142.933）。滑动窗口模型（k_max=14）性能虽优于7日平均，但仍远不如记忆衰减模型。警报函数a_t和有效再生数R₀(t)的估计也一致显示记忆衰减模型更符合实际。记忆权重后验分布显示，即使在10天前，信息仍保持至少20%的相对重要性。进一步纳入死亡信号后，对平滑衰减模型的改善有限，而滑动窗口模型反而恶化。
- **5.2 流感（马尼托巴省，2023–2024季节）**：分析34周每周实验室确诊病例，人口N=1,453,202，初始易感者设为0.9N。倒数机制获得最低WAIC（671.3），幂律和滑动窗口模型（k_max=26）紧随其后。无记忆模型再次表现最差。后验预测显示所有模型均未能完全捕捉第二小波峰。探索性分段分析（固定变点在第20周）允许β或λ分段变化，分段β设定显著改善了拟合（WAIC降至625.0和627.1），但仍未再现第二波。

### 讨论与结论总结

讨论部分指出，行为反应更应被表征为累积经验的渐进函数，而非仅对近期发病率的反应。MEBC框架通过将不同记忆机制嵌入贝叶斯结构，实现了对多种行为假设的直接比较，并透明地量化了不确定性。未来方向包括：考虑人群异质性记忆结构；引入疲劳效应等更复杂的动态（如时变参数）；整合非流行病学数据（如移动性数据）；构建多源风险感知模型；以及扩展至隐马尔可夫模型以处理漏报和测量误差。

研究结论部分（翻译）：本文提出了一个统一的贝叶斯记忆机制增强行为变化（MEBC）模型框架，通过引入显式记忆机制扩展了Ward等人（2023b）的行为变化流行病模型。研究人员研究了五种代表不同假设的规范形式：无记忆、滑动窗口、幂律、指数和倒数。通过数据增强MCMC方案，该框架联合估计流行病学和行为参数，并通过后验预测检验和信息准则实现系统模型比较。仿真实验显示，MEBC模型参数恢复良好、拟合数据优良，并对记忆机制误指定表现出一定稳健性。实证分析进一步说明了建模流行病记忆的价值。在迈阿密-戴德县的早期COVID-19暴发中，允许记忆逐渐衰减的机制显著改善了拟合，并产生了真实的流行病轨迹和时变再生数；在该应用中幂律机制表现最佳。在马尼托巴省2023–2024流感季节中，保留较长记忆的模型同样表现良好，倒数机制和幂律形式拟合最好，滑动窗口模型选择了相对较长的窗口。在两个应用中，无记忆规范表现最差，而相对较短的7天经验窗口不足以捕捉观察到的行为适应。这些结果具有两点主要意义：第一，流行病期间的行为反应更适合被表征为累积经验的渐进函数，而非仅对近期发病率的反应；第二，MEBC框架提供了一种将行为适应整合到流行病推断中的连贯方式，通过将不同记忆机制嵌入贝叶斯结构，实现了对替代行为假设影响估计传播动态的直接比较。