Bayesian and maximum likelihood estimation of SIR stochastic models

Os modelos compartimentais têm sido amplamente utilizados para modelar epidemias. Vários métodos têm sido propostos na literatura para estimar os modelos, sendo os mais aplicados, estimadores pelo método de mínimos quadrados, estimadores de máxima verossimilhança e estimadores bayesianos baseados em simulação de Monte Carlo. Na maioria dos casos reais, os dados são apenas parcialmente observáveis. O trabalho considera o caso em que todos os dados são observados e o caso em que apenas os tempos de remoção são disponíveis. As propriedades amostrais dos estimadores de máxima verossimilhança e dos estimadores Bayesianos para dados completos e incompletos são investigadas através de simulaçãoCompartmental models have been widely used in order to model epidemics. Several methods have been proposed in the literature to estimate the models, specially, the least squares method, maximum likelihood estimation and Bayes estimators based on Monte Carlo simulation. In the most of real cases, the data are only partially observable. The work considers the case that all the data are observed and the case that only the removal times are available. The sampling properties of the maximum likelihood and Bayes estimators for complete and incomplete data are investigated through simulation