跳到主要内容

关于COVID-19限制和封锁的有效性:泛metron ariston

摘要

背景

对非药物干预(NPI)授权有效性的早期评价受到缺乏经验数据的限制,因此也限制了模型的复杂性(例如,模型没有考虑到关键变量的内生性)。

方法

使用行为四方程结构模型的观察性分析,该模型解释了许多变量的内生性和相关的不可观察的国家特征。该数据集包括2020年2月15日至2021年4月14日期间132个国家的信息,包括确诊病例和死亡、流动性、疫苗接种和检测率以及新冠病毒感染严谨性的数据。值得关注的主要结果是确诊病例和死亡病例的增长率。

结果

更严格的NPI授权的回报明显下降。除了严格指数51-60(案件)和41-50(死亡)的范围外,未发现对新国家方案任务的额外影响。广泛和开放检测的非限制性政策对最佳国家行动指标大流行动态的影响占51%[27%至76%]。两种情况下,活动能力的降低都增加了,而不是减少了\ \离开(-0.0417,\ [-0.0578,-0.0256 \],p < 0.001 \) \)死亡增长率\(\左(-0.0162,\ [-0.03,-0.002 \],p = 0.025 \) \).更严格地限制集会和国际流动被发现是有效的。各国政府根据最近的大流行动态来决定政策选择,结果发现,在减少国家行动纲领的升级方面,它们比在实施这些行动纲领方面更加犹豫。

结论

通过与31-40之间的严格度指数相关联的干预措施,NPI授权的最大效力至少可以达到90%,而严格度指数带来的负面社会外部性最小。这明显低于同期世界各地执行政策的平均严格程度。

同行评审报告

背景

古希腊格言Pan metron ariston凡事都要有节制,这意味着无论采取哪一端的极端措施都不太可能是最好的政策。在2019冠状病毒病大流行期间,大多数政府在早期就排除了一种极端情况——不干预。然而,另一个极端——严格的限制甚至完全封锁——仍然存在:在大流行的第一波期间,在COVID-19传播和死亡率的不确定性很高时,实施了严格的封锁。这种方法可以被证明是在面对不确定事件时的最大限度反应,将最坏的可能结果最小化。随着我们对COVID-19的了解越来越多,不确定性降低,我们可以推断出对可能结果的概率分布和量级的更好估计,从而可以采用更细致的方法,与成本和收益的期望值计算相一致。然而,严重的非药物干预(npi)在许多国家仍然存在,尽管事实上政府和科学家的信息越来越灵通。这可以从图中所示的政府强制实施的npi的严格程度(以严格程度指数SI为衡量标准,范围从0到100)的演变中看出1其中包括各国SI值的中位数以及第10和第90个百分位数。SI中位数在2020年4月的第一波浪潮中达到峰值,达到最大值84。随后呈缓慢下降趋势,并稳定在55-60的范围内,随着随后的波动导致大流行的死灰复燃,又缓慢上升。截至2021年4月,虽然npi没有达到第一波的峰值水平,但在最后一个数据点(2021年4月14日),各国的SI中值仍相对较高,为64 (10.perc)。: 31岁;90: 81)。另一个重要观察结果是,在2020年4月达到峰值后,各国政府遵循了越来越多样化的npi,第10百分位和第90百分位的差异从约30个SI点增加到2020年底以来的约50个SI点。

这项研究的目的是利用政府应对措施的这种分歧,以便更清楚地确定国家行动方案的严格程度对大流行病动态的影响。在此,我扩展了基于第一波有限数据的早期工作[123.4,并通过事先的分析来解决某些计量经济学问题。一年多来积累的数据是否支持在大流行的第二年继续实施严格的国家行动计划?我根据不同程度的严重程度测试了COVID政策的整个谱系,以确定适度是否确实是最好的方法。如果是这样,至关重要的是要能够在一系列政策应对措施中确定最佳适度措施,因为限制和封锁对经济和心理福祉产生巨大影响,最终转化为负面的健康结果[567]。由于这些影响是复杂和难以量化的,人们普遍倾向于只关注非营利性机构的积极、直接影响。然而,权衡是无处不在的,如果我们忽视它们,我们将面临危险。

应该注意的是,可能并不总是能够区分宣布的新产品导入的影响授权以及npi在理想世界中的潜在效用。即,由于各国政府的异质执法或各国公民的行为改变,可能存在不可观察的影响。关于旨在限制公民流动的居家命令和其他类似的国家行动计划,包括可观测的模型中的移动性数据将改善这一问题。在没有可观察到的行为变量的其他情况下,这些影响被计量经济模型中国家相关的潜在变量所吸收。然而,对调查结果的保守解读应该考虑到,更好地执行国家行为准则可能导致比估计的更显著的影响。另一方面,更好的执法(例如通过广泛的警务)可能是不可能或不可取的。在这种情况下,调查结果将与最好的可能相一致可实现的从实际的角度来看,这应该是推动政府政策的因素。

图1
图1

各国紧缩指数的时间演化

COVID-19研究中的权衡。在选择大流行病研究方法方面,也存在权衡取舍的问题,无论是在模型的类型方面,还是在估计模型所依据的数据方面。例如,可以根据国家或国家以下一级的数据来估计模型。在国家以下一级开展工作,可更好地控制国家感染动态,并避免因各国大流行核算标准差异而可能产生的问题[8]。然而,由于国家层面的数据在国家覆盖方面比次国家层面的数据更广泛,国家层面的分析可能具有更多的外部有效性,而且不太可能因小样本噪声而陷入过拟合。最后,在聚合(假设同质性或集合)或分类(每个国家)建模之间权衡,很大程度上取决于数据的数量和质量。

政策干预的影响可以在三类模型的棱镜下进行审查,每种模型都有自己的一套权衡:流行病学过程的详细模型,如基于易感-感染消除(SIR)的模型)[91011],群体中基于代理的传播建模(例如,[12]),以及简化形式的模型,通过使用简单的计量经济模型,从微观层面的流行病学过程和媒介相互作用中抽象化出来,该模型捕获了变量的影响,而不需要对复杂的流行病学参数进行推断。流行病学模型可能是可取的,因为它们直接对潜在机制建模,但在缺乏或低质量、有噪声的数据存在的情况下,它们容易过度拟合。这导致了非鲁棒性(参见[1314),因为它们需要对高度不确定的关键参数进行估计,而这些参数的影响可能会在高度非线性的指数增长模型中产生显著的反响。没有任何一种方法占主导地位,特别是在我们对这一流行病了解的目前阶段。必须同时采用不同的方法,同时承认每一种方法的局限性和优点,以期巩固研究结果。

由于关于COVID-19的文献数量可观,我简要介绍了与本文最相似的研究,主要是那些使用简化方程的研究。早期的论述深受帝国理工学院COVID-19应对团队流行病学建模的影响[15的结论是,封锁是一项至关重要和必要的战略。一项使用来自6个国家的地方数据的研究显示,虽然不是所有的npi都有显著影响,但总体上它们显著减少了感染[16]。然而,它并没有明确说明个别npi的严格程度。将限制性较弱(如保持社交距离、不鼓励国际和国内旅行以及禁止大型集会)和限制性较强(如居家和关闭企业令)的新疫情防控措施的范围进行了划分,没有证据表明在10个国家的次国家一级,限制性较强的新疫情防控措施会带来额外收益[17]。同样,与不那么严格的封锁相比,2020年前5个月24个欧洲国家的严格封锁并没有显著改善大流行动态[18]。一项使用108个国家数据的研究也得出了类似的发现[19]。这意味着npi可能具有一种信号效应,引导公民自愿改变他们的行为,而不太严格的npi已经发出了足够强的信号,因此通过实施更严格的npi已经没有改进的空间。自愿行为改变的重要性可由强制行动限制生效前发生的流动性显著变化来证明[20.21],以及在封锁限制放松后,流动性没有恢复到以前的水平[2223]。实证研究综述的作者[24],包括上述一些研究得出的结论,最有效的干预措施(从最有效到最不有效)是:学校关闭、工作场所关闭、企业和场所关闭以及禁止公共活动。然而,应该注意的是,他们经常在研究中发现相互矛盾的结果,对于许多单独的npi来说,大约只有一半的研究会发现统计上的显著影响,而另一半则不会。例如,58%的研究发现学校关闭对案件有显著影响,50%的研究发现公共活动禁止,57%的研究发现商业和场馆关闭;然而,86%的受访者认为关闭工作场所是有效的。

我试图结合简化形式方法的优点,同时减轻迄今为止它们实现中的一些缺陷。具体来说,早期的研究避开了行为成分和因素的激励,估计了一个单一的回归,否认了变量的内质性,并在大流行最初几个月的数据集上进行了估计,没有受益于涵盖更近期发展的数据(例如,较新的变体)。

行为模型的重要性。模型可以根据它们是行为的还是非行为的来分类,也就是说,公民和政府的行为反应是允许内生变化的还是假设是固定的。基于代理的模型是行为的,而标准SIR模型不是。简化形式的模型通常估计NPI变量对确诊病例(和/或死亡)增长率或流动性数据的影响的单方程回归,因此隐含地假设这些变量是外生的。然而,我们有理由相信,流动性取决于现有npi的严重程度:严重程度可能调节npi对COVID-19动态的影响。此外,如果政府的政策决定是基于最近的流行病学数据和趋势(例如感染增长),那么新产品引进的严格也可能是内生的。因此,行为主体对情境的适应性反应也值得注意——公民也是如此[25](例如,流动性以及预防和自愿措施)和政府的那些(例如,政策的选择和时机)。

行为成分可以引入流行病学和简化形式模型。前者明显比后者更常见,这是我在本研究中所追求的。在SIR模型中加入行为成分会导致与基于标准非行为SIR的模型所做的长期预测截然不同[26]。一个普遍的发现是,该系统趋向于1 [27],如果行为组件具有滞后作用,有时会出现振荡[2829]。这些研究突出表明,重要的是为行为反应的演变建立模型,因为它们可能导致大流行动态的重要定性变化,而不仅仅是定量变化。典型的行为反应取决于感知的感染风险和严重程度;例如,消费者改变他们的购物习惯主要是由于他们自己的意愿,而不是由于法律的限制。30.]。行为激励对感染增长率具有稳定作用;感染率越高,市民就越有可能调整自己的行为,以减少感染的机会。然而,重要的是要记住,随着风险的降低,个人行为可能会变得更加鲁莽(参见有关风险补偿的文献[31])。例如,随着大流行开始减弱,公民可能会采取更有风险的做法,从而减缓感染率的下降。同样,如果公民认为他们感染COVID-19和感染他人的可能性较低,那么广泛的检测和接种疫苗可能会引发不良行为反应。

信念和期望的重要性。不可观察的变量,如文化[32]可能共同影响通常被认为是外源决定的关键变量。例如,社会资本和政府信任度低可能直接和间接影响病例增长率。假设低信任度国家的公共卫生系统也往往不足。这将对因卫生保健不足而导致的病例和死亡增长率产生直接影响,但它也可能产生间接影响:这些国家的政府知道卫生保健系统薄弱,重症监护病房稀缺,可能会实施比卫生系统较好的国家更严格的npi,试图防止重症监护病房人满为患。公民和政府的期望和信念会进一步引入内生性。公民对治理质量的信念可能会塑造他们的行为,并影响npi的有效性[33]。公民与政府机构之间的低信任度可能导致公民以怀疑的态度看待政府对情况的描述,并可能鼓励政府在预期公民表现出较弱的行为反应时实施更严格的限制。

同时建模内生性和不可观察变量,行为动机和信念。承认确诊病例和死亡增长率、流动性和政府政策是内生的,需要一个由四个方程组成的系统来完全模拟这些相互作用,并避免由更简单的回归所产生的偏见,这种回归隐含着外生性。我通过使用计量经济学程序来补充文献,即结构多方程建模,包括捕捉不可观察的决定因素的潜在变量的影响,以提高先前分析的外部有效性。这个方程组可以通过博弈论的视角来看待——也就是说,建模代理对彼此的策略及其预期做出反应。我提出了一个公认的基本模型,描述了三种媒介之间的适应性互动:SARS-CoV-2病毒、公民和政府。脚注1我的方法通过调查大量国家来补充现有的研究。这种方法的优点是汇集估计以获得稳健性,但也有缺点,如假设跨国家同质性和需要关注关键内生变量的综合度量,而不是它们的单个组成部分[1——以避免计算上的棘手和无法识别的方程组。一个核心问题是检查收益是否随着npi的严重性增加而下降,如果是的话,估计政府政策的最佳严重性水平。这不仅对未来的COVID-19变种和其他大流行至关重要,而且对目前也是如此,因为不太严格的nppi在疫苗接种阶段也可能很有价值[34]。

方法

收集了从2020年2月15日至2021年4月14日期间来自132个国家的国家级数据,将之前的分析扩展到数据,包括2020年底检测到的B.1.1.7和B.1.351变种的出现和传播,以及最近发现的P.1变种。确诊病例和死亡人数、疫苗接种和检测可从COVID-19数据中心下载[3536],其中还包括按照源自牛津2019冠状病毒病政府应对追踪系统的综合SI来衡量的国家行动计划的实施情况[37]。来自谷歌社区流动报告的流动数据[38]与COVID-19数据中心的数据文件合并。

确诊病例(死亡)增长率的计算方法为连续两天累计确诊病例(死亡)的对数差乘以100(即可以解释为近似百分比增长率)。确诊病例增长汇总统计:观察数= 53,279例,平均= 2.74%;= 8.87%;确认死亡人数增长的汇总统计数字为:观察人数= 49 366人,平均= 1.997%。= 6.84%。为了考虑SI与病例/死亡增长率之间的非线性关系,采用了半参数方法,将SI(范围从0到100连续不断)细分为无限制的基线(0)和十分位数(1 - 10,11 - 20,…), 91 - 100)。所检查的非限制性策略的集合是:测试策略(TP),它具有以下级别(l) 0(未测试)到3(开放测试);接触者追踪(CT)策略,其级别为0到2;每天接受检测的人口比例(TPop);以及疫苗接种人数占该国人口的累计百分比(V)——这可能大于100%,因为有些疫苗需要一次以上的剂量。

图2
图2

新冠肺炎动态的四方程结构模型

我通过同时估计四个广义结构方程来建模变量之间复杂的相互关系(见图)来解决上述建模的问题2以获取因果结构和等式的图形表示。1- - - - - -4,定义了计量经济学模型)。每个方程的因变量为:(Eq。1)确诊病例增长率(\ (C{} \ \点)), (Eq。2)确诊死亡人数的增长率(\点(\ D {} \)), (Eq。3.)七天移动平均数(\ (M_{我t} \)),和(Eq。4\ (p \离开(SI_{我t} = l \) \)SI水平属于的概率是多少lth等分;请注意,\ \ varLambda \ ()是逻辑函数。下面我将描述这两个变量\ (M_{我t} \)而且\ (S_{我t} ^ {l} \)(确诊病例和死亡的增长率不言而喻)。

\ (M_{我t} \)表示流动性变化百分比的七天移动平均值(与每个国家新冠疫情前的基线相比)——这是通过对三个单独衡量前往中转站、工作场所、杂货店和药店的流动性的独立变量进行等量加权构建的。由于这个变量是在每个国家的不同基线上归一化的,因此在公式中没有执行国家一级的额外随机效应。3.,与其他方程相反。

$ $ \开始{对齐}{\点C} _{我t} & = \α^ 1 + \ beta_1 ^ cM_{我t-7} + \ sum_ {l = 1,…,10}\ beta_ {2,} ^ cSI_{我t-14} ^ l + \ sum_ {l = 1、2、3}\ beta_ {3 l} ^ cTP_{我t-14 l} ^ l + \ sum_ {l = 1, 2} \ beta_ {4 l} ^ cCT_{我t-14 l} ^ l \ \ & \四+ \ beta_5 ^ cTPop_{我t-14} + \ beta_6 ^ cV_{我t-14} + \ sum_ {l = 1,…,6}\ beta_ {7 l} ^ cW_t l + \ lambda_i ^ ^ 1 + \ epsilon_{我t}{对齐}$ $ ^ 1 \结束
(1)
$ $ \开始{对齐}{\ D点}_{我t} & = \α^ 2 + \ beta_1 ^ dM_{我t-21} + \ sum_ {l = 1,…,10}\ beta_ {2,} ^ dSI_{我t-28} ^ l + \ sum_ {l = 1、2、3}\ beta_ {3 l} ^ dTP_{我t-28 l} ^ l + \ sum_ {l = 1, 2} \ beta_ {4 l} ^ dCT_{我t-28 l} ^ l \ \ & \四+ \ beta_5 ^ dTPop_{我t-28} + \ beta_6 ^ dV_{我t-28} + \ sum_ {l = 1,…,6}\ beta_ {7 l} ^ dW_t l + \ lambda_i ^ ^ 2 + \ epsilon_{我t}{对齐}$ $ ^ 2 \结束
(2)
$$M_{i,t}=\alpha ^{3}+\sum \limits _{l=1,…,10}\gamma _{1,l}SI_{i,t-7}^{l}+\gamma _{2}\dot{C}_{i,t-7}+\epsilon _{i,t}^{3}$$
(3)
$ $ \ p{对齐}开始\离开(SI_{我t} = l \右)& = \λ\离开(α- \ _ {l} ^{4} +δ_{1}\ \点{C} _{我t-7} +δ_{2}我\ \[\点{C} _{我t-7} - \点{C} _{我t-14} \右]+ \λ_{我}^{4}\)\ \ & \四- \λ\离开(α- \ _ {l - 1} ^{4} +δ_{1}\ \点{C} _{我t-7} +δ_{2}我\ \[\点{C} _{我t-7} - \点{C} _{我t-14} \右]+ \λ_{我}^{4}\)\ \ \{对齐}$ $
(4)
$ ${对齐}& \ \开始离开(\λ_{我}^{1},\λ_{我}^{2},\λ_{我}^ {4}\)\ sim \ mathcal {N} \离开(\ mathbf {0}, {\ varvec{\σ}_ {\ varvec{\λ}}}\右),\ varvec{\σ}_ {\ varvec{\λ}}=左\[开始\{数组}{ccc} \σ_{\λ1}^{2}和{}\σ_{\λ,12}和{}\σ_{\λ,14}\ \ \σ_{\λ,12}和{}\σ_{\λ2}^{2}和{}\σ_{\λ,24}\ \ \σ_{\λ,14}和{}\σ_{\λ,24}和{}\σ_{\λ4}^{2}{数组}\ \端)\ \ & \左(\ε_{我}^{1},\ε_{我}^{2},\ε_{我}^ {3}\)\ sim \ mathcal {N} \离开(\ mathbf {0}, \ varvec{\σ}_ {\ varvec{\ε}}\右),\ varvec{\σ}_{\ε}=左\[开始\{数组}{ccc} \σ_{\ε1}^{2}& 0 &{}{}\ \ 0 &{}\σ_{\ε2}^{2}和{}\ \ 0 & 0 &{}{}\σ_{\ε3}^{2}{数组}\ \端]\{对齐}$ $

注意,在Eq。4\ (SI_{我t} \)SI的有序变量的范围是水平从0到10,而在Eq。1\ (SI_{我t} ^ {l} \)进入作为一组l虚拟变量。如果δ_ {1}\ (\ \)> 0然后,政府对较高的(滞后的)病例增长率作出反应左(\ \(\点{C} _{我t-7} \) \)通过增加其授权的npi的SI。指标函数\(我\[\点{C} _{我t-7} - \点{C} _{我t-14} \右]\)捕获政府滞后或路径依赖,如果案例增长率一直在下降,则为1,如果案例增长率一直在上升,则为0。假设是,在大流行威胁减弱时,政府在缩减严格的国家行动计划方面比在疫情暴发期间执行这些计划的速度要慢。如果估计的系数δ_ {2}\ (\ \)> 0,在相同的病例增长水平下,平均而言,如果病例增长趋势为负,则政府更有可能实施更严格的nppi。

国家层面的不可观察特征建模使用独特的随机效应表示\ \(λ_{我}^ {e} \)(潜变量)其中e方程式的索引。(12,或4),考虑到所有随机效应之间的协方差,以捕捉不可观测的国家特征的联合影响。一周中的一天对病例和死亡增长率的影响的固定效应表示为\ (W_ {t} ^ {l} \)

病例(和死亡)增长率与包含延迟的其他变量之间的关系,以捕捉症状出现和病例确认的大致延迟以及接触病毒的时间[39]。死亡增长率的滞后时间比病例增长率的滞后时间长14天,这反映了一个事实,即平均而言,死亡发生在感染后的较晚时间(例如,在长期住院后)。滞后的准确确定不是关键的,因为关键滞后变量有高度的自相关性。为了简化模型,所有的滞后和移动平均线都是7天的倍数,以消除系统日变化的影响。采用聚类鲁棒标准误差来解释误差的异方差和面板内依赖性。

估计数中使用的初始日期因国家而异,因为它设定为确诊病例的第一天。关于确诊病例和死亡病例、检测次数和接种疫苗次数的任何缺失数据点t是否等于时刻的值\ (t - 1; \)这是在这些变量的原始数据上完成的,这些变量被编码为累积和直到时间t

通过在备选假设下估计相同的四个结构方程,进行了几个鲁棒性检验。方程式中的第一个隐含假设。1- - - - - -4经过鲁棒性测试的是,在不同的COVID-19感染波中,系统的系数是恒定的,并且与不同的SARS-CoV-2变体的出现无关。我们遵循对COVID-19前三波疫情的拟议分类[40],第一波大约在2020年3月开始,第二波在2020年7月开始,第三波在2021年1月开始。再次对模型进行估计,数据仅包括:a)截止日期为6月30日的第一波(见补充表)7b)截止时间为2020年12月31日的第一波和第二波(见补充表)8).这些大致对应于以下变体:第一波主要捕获Beta变体,第一波和第二波的组合捕获Beta和Alpha变体,而完整的数据集(在正文中报告)包括Beta、Alpha和Gamma变体。对这三种波动的分类(以及相应变体的优势)应被视为有助于建模的必要近似,因为确切日期因国而异。尽管这种初步分类对于稳健性测试的目的已经足够,但在评估SARS-CoV-2变体可能的差异影响时,不应将其结果视为决定性的。最后,通过将SI分组为五分位(0,1 - 20,21 - 40,41 - 60,61 - 80,81 - 100)对采用半参数估计的决策的鲁棒性进行了检验;估算结果见补充表6.在所有的稳健性检验中,关于国家政策措施有效性的主要定性结果与下文主要文本中提出的模型相符(即国家政策措施的有效性在中等严格水平上趋于稳定),而且在稳健性检验中影响的幅度变化比为主要估计报告的影响小一个数量级。

通常的免责声明是关于观测数据的使用和所选结构方程和变量关系中嵌入的因果假设。

结果

详细的回归结果见表1及补充表2;数据3.4而且5以图形的方式呈现主要的估计。

表1广义结构方程模型\(\点{C} _{我t} \)\(点\ D{} _{我t}, M_{我t} \),\ (SI_{我t} \)

高度相关的不可观察变量影响政府政策以及确诊病例和死亡增长率方程式中国家级潜在变量之间的估计协方差(和相关的相关性)。12,4均为阳性,且显著不同于0.001%水平的零:\(\rho _{\lambda,12}\)=0.98 [95% ci: 0.95,1.00],\(\rho _{\lambda,14}\)= 0.66 (0.54, 0.79),\(\rho _{\lambda,24}\)= 0.68(0.56, 0.80)。这证实了一个假设,即显著的不可观察变量可能同时影响病例和死亡增长率以及政府政策的严厉性。像文献中通常做的那样,通过估计病例或死亡增长率的单一回归来忽略这些关系,将导致有偏见的估计。

对感染风险的适应性预期影响非居住流动性市民对确诊病例增速滞后7天的情况做出的反应是减少流动性。这与公民根据数据对大流行在任何时间点的严重性和收缩风险形成适应性预期的理论是一致的。每日新增确诊病例的影响是{\ \(\帽子伽马}_ {2}= -0.214 \)[-0.255, -0.174]。从影响大小的角度来看,与基线相比,病例率每增加1个百分点,平均会导致流动性相对较弱的0.21个百分点的下降。

npi与确诊病例/死亡增长率之间的间接联系新国家方案的任务与确诊病例/死亡增长率之间的间接联系包括两个组成部分:\ (SI \ rightarrow M) \)和(\ (M \ rightarrow \点{C}) \),对于死亡,(\ (SI \ rightarrow M) \)和(\ (M \ rightarrow \点{D}) \).下面,我将提供证据,证明非居住人口流动调节了NPI严格程度和病例/死亡率增长率之间的关系。我首先要报告关于\ \ (SI \ rightarrow米)组件,这对两个实例都是通用的。

较高的新产品感染严重程度限制了非住宅的流动性非住宅流动性明显受到SI的影响(见\(伽马_ {l、t} \ \)在表1和图3.),因为所有SI虚变量系数均为零的原假设被拒绝(\(\chi ^{2}\left(10\right) =428.38,p<0.0001\)).此外,效应量的绝对值在10个SI范围内呈单调增加的趋势,即较高的严格度导致迁移率降低。

图3
图3

政策严格度指数对非住宅流动变动百分比的影响\(\左(\ gamma _{1,l}\右)\)

较低的非居民流动性会增加病例和死亡增长率通过封锁措施限制流动的理论动机是,限制流动将减少社会互动次数,从而减少传播和感染。然而,非住宅流动性的减少必然意味着在住宅中花费的时间的增加——事实上,这两种影响在谷歌流动性数据中高度负相关,其中面板内的中值相关性为-0.89。因此,非居住人口流动的减少可能对病例/死亡增长率产生不利影响;尽管家庭外的传播可能会减少,但随着人们在封闭空间内与同居者相处的时间越来越长,家庭内的传播可能会增强[41]。由于这两种效应的作用方向相反,限制非居民流动是否会降低病例/死亡增长率的问题必须通过经验来解决。该发现的影响\ (M_{我t-7} \)对病例呈显著阴性,{\ \(\帽子β}_ {1}^ {c} = -0.0417 \)左\ \离开(\ [-0.0578,-0.0256 \],p < 0.001 \) \),以及\ (M_{我t-21} \)对死亡有显著的负面影响{\ \(\帽子β}_ {1}^ {d} = -0.0162 \)\ \离开(左\ [-0.03,-0.002 \],p = 0.025 \) \),支持了以下假设:家庭内传播增加(取决于政府政策的严格程度)带来的不利影响远远超过了非住宅流动性减少的好处。效应大小是适度的,因为流动性下降10个百分点会导致病例增长率增加0.4个百分点。

SI与病例/死亡增长率之间的直接联系NPI授权对病例增长率没有直接影响的零假设被拒绝\ \(β_ {2,}^ {c} \)估计值都是相等的,与零相差不大(\(\chi ^{2}\left(10\right) =137.28,p<0.0001\)).此外,有证据表明,新产品导入严格程度与病例/死亡增长率之间存在非线性关系,越来越严格的限制带来的收益明显下降(见表)1;死亡增长率的结论也类似)。

NPI严格程度对病例/死亡增长率的总体影响和最佳严格程度通过添加直接路径,可以计算出新国家方案规定的严格程度对病例增长率的总体影响\(β_ {2,}\ \)间接路径\(\gamma _{1,l}\times \beta _{1}\)的每个严格级别l.这种联合效应的严格\(\点{C} _{我t} \)而且\点(\ D{} _{我t} \)在补充表中2而且4,并在图中以图形形式呈现4

图4
图4

严格指数级别的总效果

在SI范围为61-70时,NPI严格程度对案例增长的影响最大。我用61-70这一最有效的范围测试了所有其他水平的有效性差异,并使用Sidak校正法对多次比较进行了校正。脚注2与61-70相比,51-60和71-80范围的有效性没有差异(见补充表)3.对于测试统计信息)。81-90和91-100的范围明显不如61-70的范围有效。因此,在SI范围51-60之外就没有进一步的收获了。然而,社会最佳的SI范围不仅必须考虑到npi的积极影响,而且必须考虑到对身心健康的重大影响[42434445464748]和因限制而产生的经济成本(例如,参见[567])。虽然这需要进行全面的成本效益分析[49505152],这超出了本文的范围,我们可以通过对不同SI水平的成本分布的单一假设,即成本在SI水平上单调增加,推导出社会最优SI水平的近似上界。因此,在不需要量化成本的情况下,我得出结论,社会最优SI水平SI*的上限是51 - 60,也就是说,SI的最小范围与61-70的最大效果没有显著差异。

量化npi的确切成本是一项重要的工作,但这一工作充满了困难,例如将非经济结果转换为货币。此外,这样做需要对高度不确定的可能影响进行多个假设,其中许多是在遥远的未来。相比之下,SI*的这个上界非常可靠,尽管信息较少。虽然SI*的推导基于统计显著性,但也有可能较低的SI水平与SI*在统计上存在显著差异,但实际上效应大小的差异并不重要。事实上,SI范围为31-40的效应大小与51-80范围的平均值之比为91% [\ (97 \ % \ 85 \ %)],也就是说,前者的有效性是后者的91%。更宽松的21-30年龄段的相对有效性为72% [\(57 \ % 86 \ %]。\)如果NPI的成本随着NPI的严格而迅速增加,那么可以想象,31-40 SI范围内(甚至可能是21-30)的中度严厉政策反应实际上可能接近社会最优SI*(来自全面的成本效益分析),因为它在不考虑成本的情况下达到91%的有效性。

同样,在SI 61-70的范围内也观察到对死亡增长率的最大效力。我在这个范围内测试了所有其他级别的有效性差异,发现41-50以上级别的有效性没有显著提高(见补充表)5).SI范围31-40达到93% [\ (98 \ % \ 87 \ %)] 41-90之间的平均数的有效性;较宽松的21-30范围达到73% [\(58 \ % 88 \ %]。\)

最后,虽然SI聚合了单个新产品导入策略,但检查数据集中每个SI范围内单个策略的中值也可以提供信息(见表)2).请注意,在31-40 SI范围内(至少达到90%的最大影响),中位数政策不包括对交通和内部流动的任何限制,也不包括居家限制。此外,建议关闭学校和工作场所,取消公共活动,但不是强制性的。通常在31-40 SI范围内出现的唯一严格的个人政策是隔离来自国际旅行的高风险病例和限制100 - 1000人的聚集;然而,这两项政策并不能反映公民的日常行为。因此,与强制性措施相比,自愿行为改变似乎是推动新国家行动对病例和死亡增长率产生影响的更重要因素。脚注3.这与其他研究一致,这些研究也得出结论,随着严格程度的增加,新产品引进的有效性趋于平缓,反映了行为变化中相对较强的自愿(相对于强制性)成分(例如,[17181923])。

表2严格度指数水平及其中位成分非药物干预水平

是什么导致了这种自愿的行为改变?正如我所展示的,部分原因在于公民对感染风险和严重程度的预期{\ \(\帽子伽马}_ {2}\)在情商。3.-然而,研究发现效应量相对较小。大多数自愿的行为改变,很可能是由于政策决定的信号价值。公民可以使用有关政府措施严格程度的信息来推断大流行的严重程度。这意味着,政府对SI范围高达40的建议受到了公民的重视,他们显著地改变了自己的行为方式,超出了Eq中所反映的流动性。3.,例如采取预防措施,包括勤洗手、戴口罩和在感染时自我隔离。

广泛的公开检测显著降低了病例和死亡增长率,而追踪接触者则不能数字5给出了与接触者追踪和公开检测有关的估计系数和相关的95%置信区间(见表1详细的回归结果)。所有三个水平的测试制度共同显著不同于零(\(\chi ^{2}\左(3\右)=66.03,p<0.0001\)),导致随着检测范围的扩大,病例增长率逐渐出现更大的下降(对多重比较Sidak校正的稳健性)。脚注4请注意,最广泛的测试策略有-7.39[-9.926,-4.854]的影响,这是最具影响的SI范围(61-70)的51%[27%,76%]。同样,检测政策的实施显著降低了死亡增长率(\(\chi ^{2}\左(3\右)=42.81,p<0.0001\)).与封锁不同,检测政策产生的唯一成本是财务;例如,心理健康通常不会受到影响。再加上它对COVID-19动态的重大影响,这使广泛检测成为一种可取的工具。

图5
图5

测试策略(TPl)和接触者追踪(CT)l),l=水平

任何级别的接触者追踪对确诊病例增长率没有显著影响(\(\chi ^{2}\左(2\右)=1.93,p=0.38\))或死亡增长率(\(\chi ^{2}\左(2\右)=1.31,p=0.52\)).然而,如果每天新增病例数量较少,有效追踪更容易管理,接触者追踪可能仍然有效。扩大接触者追踪仍面临重大挑战[535455这可能会妨碍其在重大疫情期间的有效性。

每天接受检测的人口比例对病例和死亡增长率没有显著影响尽管这两项估计都是负面的,正如预期的那样,增加每日检测的比例并没有显著降低病例增长率,{\ \(\帽子β}_ {5}= -0.18 \)\ \ (-0.403, -0.035, p = 0.1)],也没有显著降低死亡增长率,-0.126 [\ \ (-0.315, 0.063, p = 0.191)]。包含顺序测试策略变量的不同级别可能会部分地捕捉到这种效果,因为它们将在某种程度上与测试的比例相关——也就是说,在顺序变量中编码的大量测试可能与更多的测试相关。最后,这可能是隐含假设外生性的结果;检测也可能由内部决定,因为政府很可能在传播率较高的阶段加强检测。

疫苗接种降低了确诊病例和死亡增长率尽管只有少数数据点表明疫苗接种已经开展得很好,但累计疫苗接种%每增加1个百分点,病例增长率就降低-0.017个百分点\ ((-0.032, -0.002, p = 0.022) \)死亡率增长-0.0187个百分点[\ \ (-0.035, -0.002, p = 0.026)]。请注意,各国累计疫苗接种率的中位数(非零)仅为2.6%,第10百分位和第90百分位分别为0.07%和19.8%。因此,这些相对较低的估计不应被假设为更高的疫苗接种水平的外推,特别是因为这在现实中可能是一种非线性关系——也就是说,随着人群接近群体免疫,疫苗接种的效果可能会加速增加。

政府政策是内生的,具有滞后性政府政策具有很强的内生性,这与普遍的隐性外生性假设形成了鲜明对比。7天滞后确认增长率系数{\ \(\帽子三角洲}_ {1}= 0.048 \)\(左\ [0.035,0.061,p < 0.0001 \] \)与新产品导入严重程度正相关。此外,我发现npi的降级存在明显的滞后性。对于同样的案件增长率,如果案件增长率最近一直在下降而不是上升,则国别政策明显更加严格:{\ \(\帽子三角洲}_ {2}= 0.531 \ [0.453,0.609,p < 0.0001] \)

讨论与结论

多病原体(SARS-CoV-2病毒、公民和政府)的四方程结构模型捕捉了它们内生进化的基本动态,揭示了几个关键的洞见。回想一下,SI将NPI要求的严格程度映射在0(没有采取措施)到100的范围内。对于已确认的病例增长率,SI范围为51-60以外没有显著的进展;此外,当SI范围为31-40时,该效应量达到91%。对于死亡增长率,在SI范围41-50以外没有显著的提高,在SI范围31-40内达到了93%的效应量。开放测试策略具有最佳npi大约一半的好处,而不会产生与长期限制相关的社会成本。此外,非住宅流动的减少(因此在住宅停留的时间增加)提高了确诊病例和死亡的增长率,这一发现与接触者追踪分析相一致,即与更广泛的社区相比,家庭内传播风险增加[41]以及早期的研究结论,即就地隔离令并未降低COVID-19感染率和死亡率[56]。

对政策的解释和含义表格2显示了在SI中测量的个体新人口指数的中值,为确诊病例增长率(51-60)和死亡增长率(41-50)的新人口指数严格程度的社会最优水平的上界,以及31-40的接近最优范围。注意,在npi的严重性方面,各npi之间存在显著的异质性。表中列出的三个SI范围中最严格的NPI要求2是对集会和国际行动的限制;在另一个极端,对运输和内部流动没有任何限制或建议。除了建议在51-60岁之间待在家里外,大部分也没有居家限制和建议。中等严格的限制通常在学校和工作场所实施:确诊病例增长率的最佳上界包括有针对性地部分关闭学校和工作场所,而死亡增长率的最佳上界和近乎最佳的SI范围(31-40)只包括建议在家工作。

这些发现与一些研究结果基本一致,即更严格的限制并不明显比限制较少的政策更有效[1171819]。然而,他们的结论与其他结论形成鲜明对比,认为严格的封锁是有效的[215],虽然在一些政策干预上存在分歧,如关闭学校和工作场所,但在其他政策干预上,如限制大规模集会等,意见一致[2]。这项研究与其他研究之间的差异可能是因为它们的时间序列更有限,或者缺乏公民和政府对大流行反应的明确行为模型。npi对病例和死亡增长率的影响的很大一部分可以归因于自愿行为的改变(尽管通常是在政府行为改变之后)建议)而不是强制的,政府强制的规则.值得注意的是,31-40岁的年龄段通常包括一项旨在影响自愿行为的协调公共运动。这一点突出了结合大流行动态为政府和公民的行为激励建模的重要性。

优势与局限与早期工作相比,这项研究的主要优势在于,它将大流行动态与公民适应大流行的行为模型和政府政策模型同时建模。这一包含行为成分的更复杂模型是由于累积数据的增长(包括检测和接种率)而成为可能的。尽管如此,仍然需要进行一些简化,以确保参数和模型的识别,并控制估计过程的计算复杂性。这些简化措施包括审查由个别的新产品产出综合而成的国家的综合产品产出水平的影响,而不是分别审查每个新产品产出。同样,对流动性变化的平均测量代替了对流动性类型的分类子测量。此外,虽然随机效应允许不可观测变量在各国之间发生变化,但有关变量(npi和其他干预措施)的估计是在各国之间汇集的。读者应该注意,该数据不包括2021年底Omicron变种出现的影响。最后,因变量只反映了确诊病例和死亡人数,但没有反映后covid -19综合征或“长covid -19”的影响。

未回答的问题和进一步的研究随着时间的推移,可以获得更多的数据,未来的研究应该解决当前建模的一些局限性。例如,理想情况下,模型应考虑到不同国家之间的可变估计数的异质性,而不是将估计数集中在不同国家之间;同样,可以使用次国家一级的数据来避免在国家内部跨区域汇集。如果有足够的数据,也可以尝试在不同波动和不同变量的优势条件下推断新产品导入有效性的异质性。疫苗接种的分析应扩大到更高水平的疫苗接种,以便适当估计超出本数据集中报告的低水平的可能的非线性效应。

最后,本研究的结论必须放在其他方法的背景下进行验证,如SIR和基于代理的模型。然而,这项研究提供了重要的证据,证明非常严格的npi不会比中等严格的npi带来更多的好处,而不太严格的npi主要作为公民行为中显著的自愿改变的信号。

数据和材料的可用性

确诊病例和死亡人数、疫苗接种和检测可从COVID-19数据中心下载[35],其中还包括实施npi——严格度指数的综合评分——来源自牛津大学COVID-19政府应对跟踪报告[37]。来自谷歌社区流动报告的流动数据[38]与Covid-19数据中心的数据文件合并。

笔记

  1. 不幸的是,更严格的博弈论分析需要更多的数据,才能有效地推断或观察代理的期望以及对上述信息做出反应的多种方式。

  2. 如果有的话,这低估了非显著差异SI范围的可能范围,因为它忽略了与61-70范围是否真正是最有效的范围相关的不确定性。

  3. 我推断,对100 - 1000人的集会的限制并不是强制行为改变的主要驱动因素,因为下一个不那么严格的范围,21-30人的集会限制的中值水平是零,也就是说,没有任何限制。然而,对31-40岁区间新产品导入影响的平均估计为-12.945,而21-30岁区间为-10.173。造成这种差异的部分原因还在于,前者的其他政策平均而言比后者更为严格。

  4. 也就是说,将没有测试的基线与第一个级别进行比较(\(\chi ^{2}\左(1\右)=12.42,p=0.0013\))、第一至第二层(\(\chi ^{2}\left(1\right) =38.55,p<0001\))和第二至第三层(\(\chi ^{2}\left(1\right) =7.83,p=0.0153\)).

缩写

NPI:

非药物干预

如果:

紧缩指数

参考文献

  1. Haug N, Geyrhofer L, Londei A, Dervic E, Desvars-Larrive A, Loreto V,等。对全球COVID-19政府干预措施的有效性进行排名。中国生物医学工程学报。2020;4(12):1303-12。

    文章谷歌学者

  2. Islam N, Sharp SJ, Chowell G, Shabnam S, Kawachi I, Lacey B,等。保持身体距离干预措施与2019年冠状病毒病发病率:在149个国家进行的自然实验。BMJ。2020; 370: m2743。

    文章谷歌学者

  3. bruner JM, Mindermann S, Sharma M, Johnston D, Salvatier J, gaveniak T,等。推断政府干预COVID-19的有效性。科学。2021;371 (6531):eabd9338。

  4. 柏勇,郭超,林超,曾勇,李海红,张勇,等。2020年1月23日至4月13日190个国家对COVID-19传播的非药物干预措施的有效性。国际传染病杂志2021;102:247-53。

    中科院文章谷歌学者

  5. Miles D, Stedman M, Heald A.与COVID - 19一起生活:在病毒面前平衡成本与收益。Natl Inst Econ rev 2020;253:R60-76。

    文章谷歌学者

  6. Susskind D, Vines D. COVID-19大流行的经济学:评估。Oxf Rev economic Policy. 2020;36(补充1):S1-S13。

  7. 聪明的想法、封锁和Covid-19。中国经济学报,2020;23-33。

  8. 封锁式措施似乎对covid-19有效。BMJ。2020; 370: m2809。

    文章谷歌学者

  9. 维斯广告。COVID-19大流行:基于模型的非药物干预措施和预后评估非线性动力学。2020;101(3):1871-87。

    文章谷歌学者

  10. Dehning J, Zierenberg J, Spitzner FP, Wibral M, Neto JP, Wilczek M,等。推断COVID-19传播的变化点揭示了干预措施的有效性。科学。2020;369 (6500):eabb9789。

  11. Davies NG, Kucharski AJ, Eggo RM, Gimma A, Edmunds WJ,组CftMMoIDCw,等。非药物干预对英国COVID-19病例、死亡和医院服务需求的影响:一项模型研究《柳叶刀公共卫生》,2020;5(7):e375-e385。

  12. Aleta A, Martín-Corral D, pipitti AP, Ajelli M, Litvinova M, Chinazzi M, Dean NE, Halloran ME, Longini IM Jr, Merler S, Pentland A, Vespignani A, Moro E, Moreno Y.建模检测、接触者追踪和家庭隔离对第二波COVID-19的影响。科学通报,2020;4(9):964-71。

    文章谷歌学者

  13. Chin V, Ioannidis JPA, Tanner MA, Cripps S.非药物干预对COVID-19的影响:三个模型的故事。medRxiv。2020.https://doi.org/10.1101/2020.07.22.20160341

  14. Soltesz K, Gustafsson F, Timpka T, Jaldén J, Jidling C, Heimerson A, Schön TB, Spreco A, Ekberg J, Dahlström Ö, Carlson FB, Jöud A, Bernhardsson B.欧洲非药物干预对COVID-19影响的敏感性分析。medRxiv。2020.https://doi.org/10.1101/2020.06.15.20131953

  15. Flaxman S, Mishra S, Gandy A, Unwin HJT, Mellan TA, Coupland H,等。评估欧洲非药物干预措施对COVID-19的影响。自然。2020;584(7820):257 - 61。

    中科院文章谷歌学者

  16. Hsiang S, Allen D, Annan-Phan S, Bell K, Bolliger I, Chong T,等。大规模抗传染政策对COVID-19大流行的影响。大自然。2020;584(7820):262 - 7。

    中科院文章谷歌学者

  17. Bendavid E, Oh C, Bhattacharya J, Ioannidis JPA。评估强制居家和企业关闭对COVID-19传播的影响。中华临床病学杂志2021;51(4):e13484。

  18. Bjørnskov C.封锁起作用了吗?经济学家的跨国比较。CESifo经济研究,2021;

  19. Bonardi JP, Gallea Q, Kalanoski D, Lalive R.快速和本地:封锁政策如何影响covid-19的传播和严重程度。CEPR Covid Econ. 2020; 23:325-50。

    谷歌学者

  20. Abouk R, Heydari B. 2019冠状病毒病政策对美国社交距离行为的直接影响。公共卫生代表2021;136(2):245-52。

    文章谷歌学者

  21. Farboodi M, Jarosch G, Shimer R.大流行期间保持社交距离的内外影响。SSRN电子J. 2020。https://ssrn.com/abstract=3580490.2021年2月6日访问。

  22. Gapen M, Millar J, Uruçi B, Sriram P.评估减缓COVID-19在美国传播的替代措施的有效性。2019冠状病毒病经济学2020;40:48-75。

    谷歌学者

  23. Allcott H, Boxell L, Conway J, Ferguson B, Gentzkow M, Goldman B.什么解释了早期美国冠状病毒大流行的时间和地理变化?NBER工作文件系列27965。2020.http://www.nber.org/papers/w27965.2021年1月6日访问。

  24. Mendez-Brito A, Bcheraoui CE, Pozo-Martin F.比较非药物干预措施对COVID-19有效性的实证研究的系统综述。中华感染杂志,2021;83(3):281-93。

    中科院文章谷歌学者

  25. Cowling BJ, Ali ST, Ng TWY, Tsang TK, Li JCM, Fong MW,等。非药物干预措施对香港2019冠状病毒病和流感的影响评估:一项观察性研究。《柳叶刀公共卫生》,2020;5(5):e279-88。

    文章谷歌学者

  26. 麦坚德瑞克公司。对流行病数学理论的贡献。Proc R Soc London Ser A含Pap数学物理字符。1927;115(772):700-21。

    谷歌学者

  27. R = 1的经济后果:迈向一个可行的流行病行为流行病学模型。新冠经济2020;41:28-51。

    谷歌学者

  28. Cochrance JH。具有行为的SIR模型。2020.https://johnhcochrane.blogspot.com/2020/05/an-sir-model-with-behavior.html.2021年1月6日访问。

  29. 2020年美国和英国COVID流行的简约行为SEIR模型。NBER工作论文系列#28434。2021.http://www.nber.org/papers/w28434

  30. Goolsbee A, Syverson C.恐惧、封锁和转移:2020年大流行经济衰退的驱动因素比较。公共经济学报,2021;193:104311。

    文章谷歌学者

  31. 汽车安全法规的影响。中国经济研究。1999;4(5):557 - 557。

    文章谷歌学者

  32. Laliotis I, Minos D.传播疾病:文化的作用。2019冠状病毒病经济学,2020;40:180-210。

    谷歌学者

  33. 阿尔法诺V,厄科拉诺s,呆在家里!封锁的治理质量和有效性。社会指标研究,2022;159(1):101-23。

    文章谷歌学者

  34. Rella SA, Kulikova YA, Dermitzakis ET, Kondrashov FA。SARS-CoV-2的传播、接种率和耐药株的命运。medRxiv。2021.https://www.medrxiv.org/content/10.1101/2021.02.08.21251383v1.2021年2月4日访问。

  35. Guidotti E, Ardia D. COVID-19数据中心。软件学报。2020;5(51):2376。

    文章谷歌学者

  36. 基于细粒度空间分辨率的COVID-19全球流行病学数据库。科学通报,2022;9(1):112。

    中科院文章谷歌学者

  37. Hale T, Angrist N, Goldszmidt R, Kira B, Petherick A, Phillips T,等。全球大流行政策面板数据库(牛津COVID-19政府应对跟踪系统)。中国科学(d辑:自然科学版);

    文章谷歌学者

  38. 谷歌2019冠状病毒病社区流动报告。https://www.google.com/covid19/mobility/.2021年4月18日访问。

  39. Rothan HA, Byrareddy SN。新型冠状病毒病(COVID-19)暴发流行病学与发病机理。J Autoimmun. 2020;109:102433。

    中科院文章谷歌学者

  40. El-Shabasy RM, Nayel MA, Taher MM, Abdelmonem R, Shoueir KR, Kenawy ER。三波变化、新变种毒株和疫苗接种对COVID-19大流行的影响。国际生物医学杂志,2022;204:161-8。

    中科院文章谷歌学者

  41. 孙凯,王伟,高磊,王勇,罗凯,任磊,等。SARS-CoV-2的传播异质性、动力学和可控性。科学。2021;371 (6526):eabe2424。

  42. Trabelsi K, Ammar A, Masmoudi L, Boukhris O, Chtourou H, Bouaziz B,等。5056人因禁闭而改变了全球的睡眠模式和身体活动水平:ECLB COVID-19国际在线调查生物体育。2021;38(4):495-506。

    文章谷歌学者

  43. Musa S, Elyamani R, Dergaa I. COVID-19与屏幕前久坐行为:青少年数字屏幕时间和代谢综合征的系统综述。PLoS ONE。2022; 17 (3): e0265560。

    中科院文章谷歌学者

  44. Akbari HA, Pourabbas M, Yoosefi M, Briki W, Attaran S, Mansoor H,等。在伊朗实施COVID-19限制期间,体育活动行为如何影响幸福感、焦虑和睡眠质量。欧洲Rev Med Pharmacol science 2021;25(24): 7847-57。

    中科院PubMed谷歌学者

  45. 莫伊尼汉R, Sanders S, Michaleff ZA, Scott AM, Clark J, To EJ,等。COVID-19大流行对卫生保健服务利用的影响:系统综述。英国医学杂志。2021;11(3):e045343。

    文章谷歌学者

  46. Aknin LB, Neve JED, Dunn EW, Fancourt DE, Goldberg E, Helliwell JF等。2019冠状病毒病大流行第一年的精神卫生:回顾和前进建议。心理科学展望。2022;17(4):174569162110299。

  47. Samji H, Wu J, Ladak A, Vossen C, Stewart E, Dove N,等。审查:COVID-19大流行对儿童心理健康的影响——系统审查。儿童青少年心理健康。2021;27(2):10.1111/camh.12501。

  48. O 'Connor RC, Wetherall K, Cleare S, McClelland H, Melson AJ, Niedzwiedz CL等。2019冠状病毒病大流行期间的心理健康和福祉:英国2019冠状病毒病心理健康和福祉研究中对成年人的纵向分析。中华精神病学杂志2021;218(6):326-33。

    文章谷歌学者

  49. 罗thorn R, Maciejowski J. COVID-19疾病的成本效益分析。Oxf Rev Econ Policy. 2020;36(补充1):S38-S55。

  50. 应对covid-19:代价是否值得?BMJ。2020; 369: m1496。

    文章谷歌学者

  51. Lally M.澳大利亚封锁COVID-19的成本效益分析。Monash Bioeth Rev. 2022; 1-32。

  52. 艾伦DW。Covid-19封锁的成本/效益:文献的批判性评估。中国科学(d辑:自然科学版)。

    文章谷歌学者

  53. 乔杜里MJM, Ferdous MS, Biswas K,乔杜里N, Muthukkumarasamy V. COVID-19接触者追踪:挑战和未来方向。2020; 8:225703-29。

    文章谷歌学者

  54. Quilty BJ, Clifford S, Hellewell J, Russell TW, Kucharski AJ, Flasche S,等。SARS-CoV-2接触者追踪中的检疫和检测策略:一项建模研究。《柳叶刀公共卫生》,2021;6(3):e175-83。

    文章谷歌学者

  55. Kretzschmar ME, Rozhnova G, Bootsma MCJ, Boven Mv, Wijgert JHHMvd, Bonten MJM。延误对COVID-19接触者追踪策略有效性的影响:一项建模研究。《柳叶刀公共卫生》,2020;5(8):e452-e459。

  56. Berry CR, Fowler A, Glazer T, Handel-Meyer S, MacMillen A.评估COVID-19大流行期间的居家隔离政策的影响。中国生物医学工程学报(英文版);

    中科院文章谷歌学者

下载参考

确认

作者要感谢Andreas Ortmann和匿名审稿人对早期草稿的建设性反馈,John Ioannidis在本研究的规划阶段提出的建议,以及Deborah Ain对手稿的耐心编辑。

资金

由Projekt DEAL支持和组织的开放获取资金。没有收到任何资金、赠款或其他支持。

作者信息

作者和隶属关系

作者

贡献

Leonidas Spiliopoulos确认对研究概念和设计、数据收集、结果分析和解释以及稿件准备全权负责。作者阅读并批准了最终稿。

相应的作者

对应到列奥尼达Spiliopoulos

道德声明

伦理批准和同意参与

不适用(没有使用人类受试者),因为该研究使用了公开的观察数据。

发表同意书

不适用

相互竞争的利益

作者声明他没有竞争利益。

额外的信息

出版商的注意

施普林格自然对出版的地图和机构附属的管辖权要求保持中立。

补充信息

附加文件1。

补充材料。

权利与权限

开放获取本文遵循创作共用署名4.0国际许可协议(Creative Commons Attribution 4.0 International License),该协议允许在任何媒体或格式中使用、分享、改编、分发和复制,只要您给予原作者和来源适当的署名,提供创作共用许可协议的链接,并说明是否有更改。本文中的图片或其他第三方材料包含在文章的创作共用许可中,除非在材料的信用额度中另有说明。如果材料不包含在文章的创作共用许可中,并且您的预期用途不被法律法规允许或超出了允许的用途,您将需要直接从版权所有者那里获得许可。欲查看此许可证的副本,请访问http://creativecommons.org/licenses/by/4.0/.创作共用公共领域奉献放弃书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本文提供的数据,除非在数据的信用额度中另有说明。

转载及权限

关于本文

通过CrossMark验证货币和真实性

引用本文

关于COVID-19限制和封锁的有效性:Pan metron ariston。公共卫生22, 1842(2022)。https://doi.org/10.1186/s12889-022-14177-7

下载引用

  • 收到了

  • 接受

  • 发表

  • DOIhttps://doi.org/10.1186/s12889-022-14177-7

关键字

  • SARS-CoV-2
  • 非药物干预
  • 病例增长率
  • 死亡增长率
  • 联立结构方程
  • 接触者追踪
  • 疫苗接种
Baidu
map