Your browser doesn't support javascript.
loading
Estimating the Effects of Non-Pharmaceutical Interventions and Population Mobility on Daily COVID-19 Cases: Evidence from Ontario.
Stevens, Nathaniel T; Sen, Anindya; Kiwon, Francis; Morita, Plinio P; Steiner, Stefan H; Zhang, Qihuang.
Afiliação
  • Stevens NT; Department of Statistics and Actuarial Science, University of Waterloo, Waterloo, Ontario, Canada.
  • Sen A; Department of Economics, University of Waterloo, Waterloo, Ontario, Canada.
  • Kiwon F; Department of Statistics and Actuarial Science, University of Waterloo, Waterloo, Ontario, Canada.
  • Morita PP; School of Public Health and Health Systems, University of Waterloo, Waterloo, Ontario, Canada.
  • Steiner SH; Department of Statistics and Actuarial Science, University of Waterloo, Waterloo, Ontario, Canada.
  • Zhang Q; Department of Biostatistics, Perelman School of Medicine, University of Pennsylvania, Philadelphia, Pennsylvania.
Can Public Policy ; 48(1): 144-161, 2022 Mar 01.
Article em En | MEDLINE | ID: mdl-36039068
Cette étude cherche à évaluer les effets des interventions non pharmaceutiques (INPs; restrictions sur les activités commerciales et rassemblements sociaux) et de la mobilité de la population sur le nombre de cas d'infection par jour, en utilisant les nombres de cas d'infection par la maladie à coronavirus 2019 (COVID-19) et les données de mobilité de Google pour 12 des plus grands Bureaux de Santé publique de l'Ontario entre le printemps 2020 et la fin janvier 2021. La méthode des variables instrumentales (VI) permet de rendre compte d'un biais potentiel de simultanéité puisque les taux quotidiens de COVID-19 et les INPs dépendent, tous les deux, du nombre de cas décalés. Les estimations par les VI basées sur les différences de durée des décalages d'ajustement pour inférer des estimations causales impliquent que de plus strictes INPs et le port obligatoire du masque dans les endroits fermés sont associés à une réduction de cas d'infection. Par ailleurs, Les estimations basées sur les données de mobilité de Google montrent que la présence accrue sur le lieu du travail est corrélée avec un plus grand nombre de cas d'infection. Finalement, d'octobre 2020 à Janvier 2021, les prévisions faites à partir de modèles de Box-Jenkins en série chronologique s'avèrent plus précises que les prévisions officielles et que celles utilisant le modèle épidémiologique susceptible ­ infecté ­ retiré.
Palavras-chave

Texto completo: 1 Base de dados: MEDLINE Tipo de estudo: Prognostic_studies Idioma: En Ano de publicação: 2022 Tipo de documento: Article

Texto completo: 1 Base de dados: MEDLINE Tipo de estudo: Prognostic_studies Idioma: En Ano de publicação: 2022 Tipo de documento: Article