Modeling the spread of COVID‐19 in New York City

This paper proposes an ensemble predictor for the weekly increase in the number of confirmed COVID‐19 cases in the city of New York at zip code level. Within a Bayesian model averaging framework, the baseline is a Poisson regression for count data. The set of covariates includes autoregressive terms, spatial effects, and demographic and socioeconomic variables. Our results for the second wave of the coronavirus pandemic show that these regressors are more significant to predict the number of new confirmed cases as the pandemic unfolds. Both pointwise and interval forecasts exhibit strong predictive ability in‐sample and out‐of‐sample. Este artículo propone un predictor de conjunto para el aumento semanal del número de casos confirmados de COVID‐19 en la ciudad de Nueva York a nivel de código postal. Dentro de un marco de promediación de modelo bayesiano, la línea de base es una regresión de Poisson para datos de recuento. El conjunto de covariables incluye términos autorregresivos, efectos espaciales y variables demográficas y socioeconómicas. Los resultados para la segunda ola de la pandemia de coronavirus muestran que estos regresores son más significativos para predecir el número de nuevos casos confirmados a medida que se desarrolla la pandemia. Tanto las previsiones puntuales como las de intervalo muestran una fuerte capacidad de predicción, tanto dentro como fuera de la muestra. 本稿は、ZIPコードレベルでのニューヨーク市におけるCOVID‐19の確定症例数の毎週の増加に対するアンサンブル予測因子を提案する。ベイズモデル平均化のフレームワーク内では、ベースラインはカウントデータのポアソン回帰である。共変量のセットには、自己回帰項、空間的影響、人口統計学的変数および社会経済的変数が含まれる。新型コロナウイルスのパンデミックの第2波に関する本稿の結果から、パンデミックが拡大するにつれて、これらのリグレッサーが新たに確認された症例数を予測する上でより有意であることが示される。点予測と間隔ごとの予測は、サンプル内とサンプル外の両方で強力な予測能力を示す。