A Compartment Model of Human Mobility and Early Covid-19 Dynamics in NYC
在本文中，我们建立了一个机制系统，以了解纽约市内人员流动性减少与COVID-19传播动态之间的关系。为此，我们提出了一个多元隔室模型，该模型对疫情前90天内的智能手机移动数据和病例计数进行联合建模。参数校准是通过制定一个一般的贝叶斯分层模型，以提供不确定性量化的结果估计。开源概率编程语言Stan用于必要的计算。通过敏感性分析和样本外预测，我们发现我们的简单和可解释的模型提供的证据表明，减少人员流动改变了案件动态。
2021-06-22 stat.AP stat.ME
Data-Driven Modeling Reveals the Impact of Stay-at-Home Orders on Human Mobility during the COVID-19 Pandemic in the U.S
延缓新型冠状病毒（COVID-19）传播的一种方法是通过实施旅行限制政策来减少人类旅行。目前尚不清楚这些政策在抑制流动趋势方面的有效性，因为缺乏描述大流行期间人员流动的基本事实和大规模数据集。这项研究使用从匿名移动设备收集的真实世界基于位置的服务数据，以揭示COVID-19期间和美国“呆在家里”状态下的移动性变化。数据驱动的分析和建模将不到5%的出行次数和人英里数的减少归因于政策的影响。该研究中开发的模型具有很高的预测准确性，可用于通过经验验证的流动性趋势为流行病建模提供信息，并支持对时间敏感的决策过程。
2020-05-05 stat.AP
Causal Analysis and Prediction of Human Mobility in the U.S. during the COVID-19 Pandemic
Pacific Northwest National Laboratory（太平洋西北国家实验室）；Michigan State University（密歇根州立大学）
由于COVID-19在美国日益蔓延，截至2020年9月，该国确诊病例和死亡人数居世界首位，该国大部分州都实施了旅行限制，导致流动性急剧下降。然而，这场危机对旅行和流动性的总体影响和长期影响仍然不确定。为此，本研究开发了一个分析框架，确定并分析了在这场大流行期间影响美国人口流动和旅行的最主要因素。特别是，该研究使用格兰杰因果关系来确定影响每日车辆行驶里程的重要预测因素，并利用线性正则化算法（包括Ridge和LASSO技术）来建模和预测移动性。从2020年3月1日至2020年6月13日期间，从各种开放获取的来源获得了州一级的时间序列数据，整个数据集被分为两部分用于培训和测试目的。利用Granger因果关系选取变量，分别采用普通最小二乘回归、岭回归和LASSO回归算法对3种不同的降阶模型进行训练。最后，在试验数据上检验了所建模型的预测精度。结果表明，新冠病例数、社交距离指数、待在家里的人口、出县旅行的百分比、前往不同目的地的旅行、社会经济地位、在家工作的人的百分比和全州关闭等因素是影响每日VMT的最重要因素。此外，在所有的建模技术，岭回归提供了最优越的性能与最小的误差，而LASSO回归也表现得比普通的最小二乘模型。
2021-11-24 cs.LG stat.AP
On the Interplay of Regional Mobility, Social Connectedness, and the Spread of COVID-19 in Germany
由于呼吸道病毒传播的主要模式是人与人之间的相互作用，我们需要重新考虑身体相互作用模式，以减少感染COVID-19的人数。虽然研究表明，非药物干预（NPI）对国家流动模式有明显影响，但我们调查了相对的区域流动行为，以评估人员流动对COVID-19传播的影响。特别是，我们探讨了从Facebook活动中产生的人员流动性和社交联系对2020年3月3日至6月22日期间德国每周新感染率的影响。我们的研究结果证实，减少社会活动降低感染率，占区域和时间模式。社会距离的程度，以留在联邦行政区内的人的百分比来量化，对感染的发生率有总体的负面影响。此外，我们的研究结果显示了基于地理和社会距离的空间感染模式。
2021-07-02 physics.soc-ph stat.AP
Use of alternative data: High frequency readout of the situation -- COVID policies, mobility, and R-Number
替代数据发挥着重要作用，尤其是在危机期间。几个月的僵局使我们认识到它们对政策反应的重要性。在尼泊尔，政府采取了原地不动措施，实物数据收集活动暂停。COVID-19的确诊病例一直在稳步增加，该国处于高度戒备状态。在这种僵局中，在疫情爆发过程中可能产生的继发病例数量--繁殖数量对监测COVID-19的传播性是有用的。由于R值正在迅速变化，它可能受到一系列因素的影响，不仅包括疾病的传染性，还包括政府如何应对以及人口的行为。世界卫生组织（世卫组织）已向尼泊尔政府提出若干建议，以遏制COVID-19的进一步传播。为了了解尼泊尔如何应对冠状病毒大流行，我们查看了替代数据集，以更好地了解COVID期间的流行政策、流动性和R值。
2021-08-31 stat.AP
Twitter, human mobility, and COVID-19
COVID-19的爆发凸显出需要一种更协调、更少涉及隐私、更容易获得的方法来监测已被证明与病毒传播相关的人员流动。在这项研究中，我们分析了全球5.87亿条推文，以了解如何从全球、国家和美国各州的用户生成信息中反映出减少人类流动性的全球合作努力。考虑到移动性的多面性，我们提出了两种类型的距离：单日距离和跨日距离。为了量化某些地理区域的响应性，我们进一步提出了一个基于移动性的响应指数（MRI），它可以在一个时间窗口内捕获移动性变化的总体程度。结果表明，从Twitter数据获得的流动模式是可量化的，以反映流动的动态。在全球范围内，2020年3月11日世卫组织宣布COVID-19为大流行之后，拟议的两个距离大大偏离了其基线。宣布后的时间间隔大大减少，表明保护措施显然影响了人们的旅行习惯。国家规模的比较揭示了反应能力的差异，不同流行阶段的流动模式对比就证明了这一点。我们发现，流动性变化的触发因素与国家宣布的缓解措施相吻合。在美国，COVID-19疫情对流动性的影响是明显的。然而，各州之间的影响差异很大。“黑人的命也是命”（Black Lives Matter）抗议活动进一步推动了流动性的强劲复苏势头，这可能会助长美国的第二波感染。
2020-06-24 cs.CY cs.SI stat.AP
A Continuous-Time Markov Chain Model for the Spread of COVID-19
自2019年底以来，新型冠状病毒（又称COVID-19）导致了持续的大流行。本文展示了如何使用COVID-19传播的连续时间马尔可夫链模型来解释，并向本科生证明，目前正在尝试控制病毒的策略。在纸上的材料是写在学生的水平谁正在采取随机过程的理论和应用的入门课程。
2022-06-21 stat.AP
Monitoring the COVID-19 epidemic with nationwide telecommunication data
为应对新型冠状病毒病（COVID-19），各国政府已推出严厉的政策措施，对人类行为产生重大影响。在这里，我们对COVID-19疫情期间的人员流动性进行了大规模的时空分析。我们从全国范围内（瑞士; 2020年2月10日至4月26日）的匿名聚合电信数据中得出人类移动性，包括约15亿次旅行。与2019年同期相比，瑞士的人口流动下降了49.1%。最大的减少与禁止5人以上集会有关，据估计，这使流动性减少了24.9%，其次是场所关闭（商店，餐馆和酒吧）和学校关闭。因此，在某一天的人员流动情况可以预测7-13天前报告的病例。人口流动减少1%，预计每日报告的COVID-19病例将减少0.88-1.11%。在管理流行病时，通过电信数据监测人员流动可以通过两种方式支持公共决策者。首先，它有助于评估政策影响;其次，它为近实时的流行病监测提供了一个可扩展的工具，从而使循证政策成为可能。
2021-04-11 stat.AP
Anomaly Detection of Mobility Data with Applications to COVID-19 Situational Awareness
本文介绍了一个实时异常检测系统，用于在区域尺度上收集的高频和高维数据，如移动定位数据的源-目的地矩阵。考虑到来自不同来源的数据在时间和空间上的不同粒度，该系统被设计成简单的，但对数据多样性具有鲁棒性，目的是检测朝向特定区域的移动性的突然增加以及移动的突然下降。该方法旨在帮助政策制定者或从业人员，并使其能够可视化异常情况，并估计COVID-19相关遏制或解除措施对人员流动的影响，以及发现与大型集会相关的潜在新疫情。
2020-11-25 physics.data-an stat.AP
Using mobility data in the design of optimal lockdown strategies for the COVID-19 pandemic
提出了一个新冠肺炎疫情传播的数学模型，该模型将年龄结构的易感-暴露-死亡动态与考虑人口流动性的真实手机数据相结合。通过近似贝叶斯计算进行动态模型调整。基于非线性模型预测控制确定最佳封锁和退出策略，并限制公共卫生和社会经济因素。通过广泛的计算验证的方法，它表明，它是可以计算出强大的退出战略与现实的减少流动性值，以告知公共政策的制定，我们使用来自英国和法国的数据集验证的方法的适用性。实现所描述的实验的代码可在https://github.com/OptimalLockdown获得。
2020-10-18 physics.soc-ph q-bio.PE stat.AP
Inferring Mobility Reductions from COVID-19 Disease Spread along the Urban-Rural Gradient
本研究提出贝叶斯分层模型，基于德国手机数据分析城乡梯度下COVID-19传播对出行减少的异质性影响，明确了多因素作用差异，指出出行行为可作为人群响应的代理指标。
2025-10-29 physics.data-an stat.AP
Evaluating shifts in mobility and COVID-19 case rates in U.S. counties: A demonstration of modified treatment policies for causal inference with continuous exposures
此前的研究显示，关于流动性数据与COVID-19病例率之间的关联，证据不一，但由于各地在影响行为和健康结果的因素上存在差异，因此对这一问题的分析变得复杂。我们旨在评估2020年6月1日至11月14日期间转移流动性分布对COVID-19病例率增长的县级影响。我们使用了修改的治疗政策（MTP）方法，该方法考虑了暴露量偏离其观察值的影响。MTP方法有助于研究连续暴露的影响，同时最大限度地减少参数建模假设。我们选择了十个流动性指数，以捕捉预期会影响COVID-19病例率和受其影响的行为的几个方面。结果被定义为每100，000名居民在每个流动性措施前两周的新病例数。主要分析使用了基于目标最小损失的估计（TMLE）和机器学习算法的超级学习者集成，考虑了20多个潜在的混杂因素，这些混杂因素捕获了各县最近的病例率以及社会、经济、健康和人口统计学变量。为了比较，我们还进行了未经调整的分析。对于大多数考虑的周数，未经调整的分析表明，流动性指数和随后的病例率增长之间有很强的关联。然而，在混杂因素调整后，没有一个指标显示出一致的协会后，假设的转变，以减少流动性。虽然可识别性问题限制了我们在本分析中提出因果关系主张的能力，但MTP是研究连续暴露影响的强大工具，但未得到充分利用。
2022-03-16 stat.AP stat.ML
Country-wide mobility changes observed using mobile phone data during COVID-19 pandemic
于二零二零年三月，奥地利政府为应对COVID-19疫情而实施广泛封锁。根据主观印象和轶事证据，奥地利的公共和私人生活突然停止。在这里，我们评估了奥地利所有地区的锁定效果，并使用近实时匿名手机数据分析了奥地利各地人员流动的日常变化。我们描述了一个有效的数据聚合管道，并通过量化特定兴趣点（POI）的移动电话流量，分析个人轨迹和调查的起源-目的地图的集群结构来分析移动性。我们发现，维也纳地铁站的通勤者减少了80%以上，回转半径小于500米的设备数量几乎翻了一番。研究人群运动行为的结果突出了移动网络结构的巨大变化，这一变化体现在更高的模块化程度和从12个增加到20个检测到的社区。我们通过显示伊施格尔镇（早期COVID-19热点）的流出量与报告的COVID-19病例之间存在8天的时间滞后，证明了流动性数据与流行病学研究的相关性。这项研究表明，移动电话使用数据允许移动行为的每时每刻的量化为整个国家。我们强调，有必要改善匿名形式的此类数据的可用性，以增强快速应对COVID-19和未来大流行病的能力。
2020-08-23 cs.CY cs.SI stat.AP
The role of mobility and sanitary measures on Covid-19 in Costa Rica, March through July 2020
本文的目的是推断在哥斯达黎加SARS-CoV-2爆发的前四个月，在该国建立社区传播之前，人类流动性的变化对传播动力学的影响。通过使用参数和非参数检测变点技术，我们能够确定两个不同的时期，其中至少每日新病例的趋势和变异性发生了显着变化。为了将这些信息与人口流动相结合，我们使用了来自Google Mobility Trends的数据，这些数据使我们能够估计每日新病例率与Google建立的每个类别之间的滞后。然后利用这些信息建立研究期间人口流动变化与卫生措施之间的联系。
2021-03-15 stat.AP
The COVID-19 Pandemic, Community Mobility and the Effectiveness of Non-pharmaceutical Interventions: The United States of America, February to May 2020
背景资料：个别非药物干预措施（NPI），如全州范围内的居家令、学校关闭和集会规模限制，对COVID-19疫情的影响尚不清楚。了解上述NPI对疾病传播的影响对政策制定者至关重要，特别是在某些地区病例数再次增加的情况下。研究方法：使用贝叶斯框架，我们重建了发病率和随时间变化的生殖数（Rt）曲线，以研究Rt，Google社区移动报告测量的个人移动性和NPI之间的关系。结果如下：我们发现生殖数量和流动性之间存在很强的关系，与基线相比，流动性每下降10%，预计Rt会降低10.2%。随着时间的推移，限制聚会规模、学校和企业关闭以及呆在家里的订单的影响主要受趋势的影响，这与生育数量减少48%有关，对NPI进行了调整。结论：我们发现，与时间相关的流动性下降可能是由于个人改变他们的行为，以应对感知的风险或外部因素。
2020-07-09 q-bio.PE stat.AP
Clustering patterns connecting COVID-19 dynamics and Human mobility using optimal transport
社交距离及待在家中是已知可有效遏止COVID-19等大流行病在特定人群中传播的少数措施之一。这些措施之间的依赖关系及其对疾病发病率的影响可能因人口而异。我们描述了一个新的计算框架，用于测量和比较美国150多个发病率相对较高的城市中人员流动与新冠肺炎病例之间的时间关系。我们使用了一个新的应用程序的最优运输计算之间的距离的规范化模式诱导的双变量时间序列为每对城市。因此，我们确定了10个具有相似时间依赖性的城市集群，并计算了Wasserstein重心来描述每个集群的整体动态模式。最后，我们使用特定城市的社会经济协变量来分析每个聚类的组成。
2020-07-21 physics.soc-ph stat.AP
Leveraging Administrative Data for Bias Audits: Assessing Disparate Coverage with Mobility Data for COVID-19 Policy
基于智能手机的移动数据已被广泛用于设计和评估COVID-19应对策略，例如针对公共卫生资源。然而，很少有人注意到测量的有效性和人口统计学偏见，部分原因是缺乏关于哪些用户被代表的文件，以及获得独特访问和人口统计学的地面真实数据的挑战。我们说明了如何连接大规模的行政数据可以使审计的流动性数据的偏见，在没有人口统计信息和地面真相标签。更准确地说，我们表明，链接选民名册数据-包含个人层面的投票率为特定的投票地点以及种族和年龄-可以促进严格的偏见和可靠性测试的建设。这些测试揭示了一种抽样偏差，在大流行的背景下尤其值得注意：老年人和非白人选民不太可能被流动性数据所捕获。我们表明，根据这些流动性数据分配公共卫生资源可能会对高风险老年人和少数群体造成不成比例的伤害。
2021-04-16 cs.CY stat.AP
Human mobility patterns in Mexico City and their links with socioeconomic variables during the COVID-19 pandemic
手机地理定位数据的可用性为研究人类移动模式以及这些模式如何受到最近流行病的影响提供了一个绝佳的机会。两个简单的中心性指标使我们能够测量使用此类数据构建的起点-目的地网络中的两个不同方面的移动性：连接到某个节点的各种地方（度）和往返于给定节点的人数（强度）。在这篇文章中，我们分析了2020年大墨西哥城每日始发地-目的地网络的节点度和强度。与在许多复杂网络中观察到的不同，这些源-目的地网络不是无标度的。相反，有一个由分布峰值定义的特征尺度;中心性分布呈现出倾斜的双尾分布，在峰值的每一侧都有幂律衰减。我们发现，高流动性地区往往更靠近市中心，人口更多，社会经济条件更好。行为异常的地区几乎总是在城市的外围，在那里我们也可以观察到东西部之间流动模式的质的差异。最后，我们研究了COVID-19大流行病爆发导致的流动限制对这些流动模式的影响。
2022-08-12 cs.SI stat.AP
Quantifying the impact of COVID-19 on the US stock market: An analysis from multi-source information
我们开发了一种新型的时间复杂网络方法来量化美国县级COVID-19的传播动态。目的是研究当地传播动态、COVID-19病例和死亡以及谷歌搜索活动对美国股票市场的影响。我们使用传统的计量经济学和机器学习（ML）模型。结果表明，COVID-19病例和死亡人数、其在当地的传播以及谷歌搜索对2020年1月至2020年5月期间的异常股价产生了影响。此外，纳入当地的传播信息显着提高了预测模型的性能异常的股票价格在较长的预测视野。另一方面，尽管一些与COVID-19相关的变量，例如，美国总死亡人数和美国新增病例与价格波动存在因果关系，COVID-19病例和死亡人数、COVID-19的本地传播以及谷歌搜索活动对价格波动没有影响。
2020-10-03 q-fin.ST stat.AP
Causal analysis of Covid-19 spread in Germany
在这项工作中，我们研究了自新冠肺炎大流行开始以来，德国各地区之间在新冠肺炎传播方面的因果关系，并考虑了不同联邦州实施的限制政策。我们提出并证明了一个新的定理，用于时间序列数据的因果特征选择方法，对潜在混杂因素具有鲁棒性，我们随后将其应用于Covid-19病例编号。我们介绍了有关病毒在德国的传播和限制措施的因果影响的调查结果，讨论了各种政策在遏制传播中的作用。由于我们的结果是基于相当有限的目标时间序列（只有报告的病例数），在解释它们时应谨慎。然而，令人鼓舞的是，如此有限的数据似乎已经包含了因果信号。这表明，随着更多数据的可用，我们的因果方法可能有助于对政治干预对COVID-19发展的有意义的因果分析，从而也有助于发展理性和数据驱动的干预措施选择方法。
2020-08-03 stat.AP
Predicting COVID-19 Spread from Large-Scale Mobility Data
为有效管理COVID-19疫情，公共卫生决策者需要准确预测病例数。未来病例数量的潜在近实时预测因素是人类流动性;然而，缺乏对流动性预测能力的研究。为了填补这一空白，我们介绍了一种新的模型的基础上的移动数据的流行病预测，称为移动标记霍克斯模型。该模型由三个部分组成：（1）Hawkes过程捕获传染病的传播动力学。(2)标记调节感染率，从而解释了生殖数R在空间和时间上的变化。使用基于流动性协变量的正则化泊松回归对标记进行建模。(3)一个纠正程序包括由在地区之间旅行的人播种的新病例。我们的模型在瑞士的COVID-19疫情中进行了评估。具体而言，我们使用了2020年2月至4月的移动数据，共计约15亿次出行。出行次数来自大规模电信数据，即，瑞士最大的电信提供商Swisscom网络的手机ping。我们将我们的模型与各种最先进的基线进行了样本外均方根误差均方误差的比较。我们发现，我们的模型比基线高出15.52%。在5至21天的不同预报范围内，都取得了一致的改善。此外，我们评估了传统兴趣点数据的预测能力，证实电信数据更优越。据我们所知，我们的工作是第一个从电信数据预测COVID-19传播的工作。总而言之，我们的工作通过为负责控制传染病传播的公共卫生决策者开发可扩展的预警系统，为以前的研究做出了贡献。
2021-06-01 cs.CY stat.AP
Recreational Mobility Prior and During the COVID-19 Pandemic
本文利用华盛顿州公园聚合出行数据，研究 COVID-19 前后公园访问趋势，发现引力模型稳健，且高收入居民扩大休闲选择而低收入居民减少休闲选择。
2024-02-21 nlin.AO physics.soc-ph stat.AP
The relationship between human mobility and viral transmissibility during the COVID-19 epidemics in Italy
2020年，受COVID-19疫情影响的国家实施了各种非药物干预措施，以对比病毒的传播及其对医疗系统和经济的影响。我们使用意大利不同地理尺度的数据，调查了人口流动性（包括人口对不断变化的情况的反应的许多方面）与COVID-19传播之间的关系。利用2020年2月至9月的移动电话数据，我们发现移动流量的减少与净再生产数量之间存在显着的关系。我们发现，关闭流动性，使净繁殖数低于临界阈值1所需的时间约为一周。此外，我们观察到在封锁引起的流动性下降之前超过这一阈值的天数与每10万居民的感染总数之间存在很强的关系。随着时间的推移，估计流动性流量对净再生产数量的统计影响，我们记录了一个2周的滞后正相关，在3月和4月较强，6月较弱，但仍然显着。我们的研究证明了大规模流动数据在监测疫情和在疫情发展过程中为控制干预提供信息方面的价值。
2021-04-01 cs.SI physics.soc-ph stat.AP
Cointegration of SARS-CoV-2 Transmission with Weather Conditions and Mobility during the First Year of the COVID-19 Pandemic in the United States
天气与SARS-CoV-2传播之间的相关性可能表明其季节性。协整分析可以避免时间序列数据之间的虚假相关。我们研究了美国大流行第一年期间病毒传播与每日温度、露点和流动性测量的混杂因素的协整。我们研究了病毒有效繁殖率Rt与两米处的露点、两米处的温度、苹果驾驶移动性和谷歌工作场所移动性测量的协整。我们发现，露点和苹果驱动的移动性是最好的因素与Rt的共整合，虽然温度和谷歌工作场所的移动性也与Rt在很大程度上共整合。我们发现，最佳的滞后是两天的协整之间的Rt和天气变量，和三天的Rt和流动性。我们观察到集群的状态，共享相似的协整结果的Rt，天气和流动性，这表明区域模式。我们的研究结果支持天气与SARS-CoV-2传播的相关性及其潜在的季节性。
2022-03-31 q-bio.PE stat.AP
Day Level Forecasting for Coronavirus Disease (COVID-19) Spread: Analysis, Modeling and Recommendations
于二零二零年三月中旬，COVID-19等冠状病毒被宣布为国际流行病。超过118个国家记录了超过125000例确诊病例和4,607例死亡病例。不幸的是，冠状病毒疫苗如果真的有效，预计至少需要18个月。此外，COVID-19疫情可能会变异成更具侵略性的形式。有关COVID-19传播的日级信息对于衡量这种新病毒在全球的行为至关重要。因此，本研究使用时间序列模型和数学公式对COVID-19受影响病例的日级预测模型进行比较。预测模型和数据强烈表明，在不强制隔离、限制旅行和公共集会以及关闭学校、大学和工作场所（社会距离）的国家，冠状病毒病例数量呈指数级增长。
2020-03-15 q-bio.PE stat.AP
College Spread of COVID-19 in Ohio
收集了俄亥俄州各县的累计COVID-19病例数，并将其与人口普查局的人口数据和综合中学后教育数据系统（IPEDS）中参加NCAA体育比赛的学院或大学的各县学生入学人数相结合。计算了有大学的县和没有大学的县之间的每月中位数百分比增长，每月平均百分比增长和每10万COVID病例的平均病例数。使用Wilcoxon检验确定样本是否相似，分析发现差异具有统计学显著性。地铁和非地铁分组被添加到每10万人的平均病例中，以进一步细分数据集。分析未发现统计学显著差异。
2022-07-12 stat.AP
Use of mobile phone sensing data to estimate residence and mobility times in urban patches during the COVID-19 epidemic: The case of the 2020 outbreak in Hermosillo, Mexico
本研究利用手机GPS数据和Brownian bridge模型推断城市人口流动与停留时间，并将估计的居住-流动矩阵纳入多斑块SEIR模型，以评估政府干预对流动变化的影响。
2024-03-23 cs.SI physics.soc-ph stat.AP
Compliance with restrictive measures during the COVID-19 pandemic in Europe: Does political partisanship influence behavioural responses?
旨在遏制COVID-19大流行的公共卫生政策的成功依赖于公众的大规模和长期遵守。最近的一系列研究认为，以前的投票模式是这种遵守的重要预测因素。我们的研究通过跟踪六个欧洲国家在一段较长的时间内政党的投票份额和流动性之间的关系，进一步调查了这种联系。我们观察到，虽然投票份额偶尔与每个国家内部流动性的变化有关，但在所有六个选定的国家中，流动性的减少或增加并没有系统的模式，这取决于政党家族或政府成员。随着时间的推移，流动性和投票份额之间的关系在一些国家而不是所有国家往往会变得更强，这再次表明，几个政党家庭的投票份额与遵守社交距离措施之间没有明确的联系。
2022-03-10 cs.CY stat.AP
Causal Inference in the Time of Covid-19
在本文中，我们开发了流行病的因果推断的统计方法。我们的重点是估计社会流动性对新型冠状病毒肺炎（COVID-19，即2019冠状病毒病）疫情中死亡人数的影响。我们提出了一个边际结构模型的基本流行病模型的修改版本的动机。我们估计在流动性干预下死亡的反事实时间序列。我们进行几种类型的敏感性分析。我们发现数据支持流动性减少导致死亡减少的观点，但结论是有警告的。有证据表明对模型误设和未测量混杂的敏感性，这意味着需要谨慎解释因果效应的大小。虽然毫无疑问，这种影响是真实的，但我们的工作突出了从大流行数据中得出因果推断的挑战。
2021-08-24 stat.AP stat.ME
