美国总统大选全球瞩目，两位候选人的政策倾向在一些方面差异较大，对总统获选的结果的大致量化预测也是重点，同时2020年的竞选面临着新冠疫情的影响，这为预测分析带来挑战。
通过往年经验可知，美国大选实质上是民主党与共和党之间的抗争，因此我们可以在此前党派总统找到两位选举人的影子。
对于两人竞选，因为对总统选举时各种政策难以量化，因此我们选择特朗普在2017年至2019年任职时的经济数据求解模型，对于拜登则通过同为民主党的奥巴马在2009年至2016年任职期间的数据求解模型，美国相同党派总统政策的趋同性支持了我们这一假设。
SEIR模型是传染病模型的一种，一般将传染病流行范围内的人群分为以下几类：
（1）S 类，易感者 (Susceptible)，指未得病者，但缺乏免疫能力，与感染者接触后容易受到感染；
（2）E 类，暴露者 (Exposed)，指接触过感染者，但暂无能力传染给其他人的人，对潜伏期长的传染病适用；
（3）I 类，感病者 (Infectious)，指染上传染病的人，可以传播给 S 类成员，将其变为 E 类或 I 类成员；
（4）R 类，康复者 (Recovered)，指被隔离或因病愈而具有免疫力的人。如免疫期有限，R 类成员可以重新变为 S 类。
为什么在“新冠”疫情模拟过程中选择SEIR模型作为基础模型
（1）原因一：SEIR模型相较于其他的几个传染病模型，多了几项内容。结合本次疫情分析，我们可以知道，“新冠”疫情是由为期14天的潜伏期的，而且当感染者经过治愈或是自身免疫成为治愈者后，体内产生抗体，不会再成为易感人群被感染者感染。所以在模型中E项是必须存在的。SEIR模型符合新冠疫情的传染特征。
（2）原因二：同时根现有的一些资料显示，可知，很多专业的研究团队都在使用该模型研究疫情的发展情况。例如：钟南山院士团队在Journal of Thoracic Disease《胸部疾病杂志》发表了题为“Modified SEIR and AI prediction of the epidemics trend ofCOVID-19 in China under public
health interventions”（基于SEIR优化模型和AI对在公共卫生干预下的中国COVID-19发展趋势预测）的文章。
而对于经济预测模型，我们查找FRED的经济调查数据，选择税收、CPI、工业生产指数、失业率、贸易差额、货币M1、教育支出、科研支出、圣路易斯联储金融压力指数、纳斯达克综合指数、卫生保健支出、道路建设支出等十二个指标，对GDP进行回归分析,获得GDP预测模型。
解决方案
由上模型获得的数据是未发生新冠疫情的预测值，对于新冠疫情的影响，我们通过构造SEIRD模型预测新冠疫情对美国经济的影响。
根据医疗支出及劳动能力丧失两方面带来的影响，获得经济日损失等式，据此与上述GDP预测模型结合，获得疫情下美国大选后经济走向。而特朗普和拜登二者的政策在疫情防控的侧重点不同，进而影响感染率、治愈率等因素，根据实际数据再进行分析。
数据源准备
从网站上获取过去几年的美国经济数据，以季度为单位罗列好数据，选取了税收、CPI、工业生产指数、失业率、贸易差额、货币M1、教育支出、科研支出、圣路易斯联储金融压力指数、纳斯达克综合指数、卫生保健支出、道路建设支出作为评价经济的十二个指标，这些指标都一定程度上反映着美国金融繁荣度，并且有实际数据量化。
Haoran Chen
视频
K近邻KNN算法原理与R语言结合新冠疫情对股票价格预测
视频
KMEANS均值聚类和层次聚类：R语言分析生活幸福质量系数可视化实例
我们从FRED网站上获得自2009年至2019年每个季度的上述指标的数据（教育支出每年四等分处理），按照奥巴马和特朗普分别制表。
上图是示例经济表格数据
上图是美国新冠疫情数据
过程
（以奥巴马执政时期分析为示例）先是对12个元素进行聚类分析，计算它们之间的相关系数，列出矩阵，判断它们之间是否具有较强的相关性。根据矩阵结果，可以判断出的确有一些指标有较强的相关性。因此我们决定将变量化为5类，得到指标聚类树形图如下
随时关注您喜欢的主题
由图可以看出，第1、3、6、7、10、12项指标有较大的相关性，4、11也是如此，因此我们选取第1、2、4、5、8、9；六个指标进行分析。
求得七个估计值为[1.4028 0 -0.0149 -0.0817 0 0.0068 -0.0301] *104
对于特朗普执政时期的数据，我们求得估计值为：
[2.1404 0.0002 0.05 -0.1872 -0 0.0020 0.0477]*104
利用Matlab，求得F=577.0464，查表得上分位数
而特朗普时期的数据为127.009。
因而拒绝原假设，模型整体上通过检验。但是指标中有两项等于0，所以进一步作如下检验：
H0j:cj=0,j=0,1,..,m
当H0j成立时，有：
tj=βj/cjjQ/(n-m-1)~t(n-m-1)
利用Matlab求解，得到统计量：
t0=6.762,t1=0.1844,t2=-1.4655,t3=-8.8447,t4=0.691,t5=4.2058,t6=-4.6903
而特朗普时期的数据为：
t0=7.2182,t1=0.9806,t2=2.4411,t3=-6.0462,t4=-1.2711,t5=0.816,t6=2.3186
查表得上α/2分位数t0.02525=2.0595。
对于上面结果的检验，可知接受1、2、4，即这三个对应的变量对模型的影响并不显著。综上我们得到奥巴马时期的回归模型为：
y=14028-8170x4+68x8-301x9
最后我们得出拜登当选对美国经济更有益，对新冠疫情防控更有利对中国战略威胁更大。
这两张图是特朗普执政时期因为新冠疫情美国的SEIRD人数及经济损失模型
这是根据特朗普的政策所得到的美国新冠疫情损失预测，由图可知，提高治愈率，在长期仍然会造成很大影响；对于拜登，我们降低感染率，取
为
由图可知，拜登的政策，在前期会付出比较大的经济代价，但长期将会有效遏制新冠疫情。
关于作者
Haoran Chen
在此对Haoran Chen对本文所作的贡献表示诚挚感谢，他毕业于北京化工大学，专长深度学习、数学建模、数据分析。
【视频讲解】Python深度神经网络DNNs-K-Means（K-均值）聚类方法在MNIST等数据可视化对比分析
Python量子计算聚类Q-means（量子k-means）算法分析电路数据实现可视化
R语言非参数回归预测摩托车事故、收入数据：局部回归、核回归、LOESS可视化
【视频讲解】非参数重采样bootstrap的逻辑回归Logistic应用及模型差异Python实现
