[Financial Express]現在、バングラデシュにおけるCOVID-19の蔓延と死亡率の傾向を理解することが重要です。その間、すべての経済活動を徐々に緩和し、生活の正常性を取り戻そうとしています。適切な健康対策とCOVID封じ込めのための戦略を採用するには、寄生と死亡の傾向を理解することが不可欠です。その際、DGヘルスサービスから発表されたCOVIDの発生率と死亡率に関する毎日のデータを公式データソースとして使用しました。 COVIDインフェステーションは3月に最初に破壊されましたが、DGHSがリリースした4月3日からの毎日のデータを整理しました。グラフおよび計量経済学的に、テストされたケースでのCOVIDインフェステーションの成長率、および感染者数での死亡率の割合を、月ごと、および2020年4月3日から8月28日までのサンプル期間全体で表示および分析しました。絶対感染数は実施されたテストと非常に相関しているため、COVID感染。同様に、死亡率のパーセントは、総死亡数の代わりに使用されます。以下では、最初にグラフィカルな描写を示し、続いて毎月および全期間の感染および死亡傾向の計量経済分析を示します。 5か月間の毎日の観測は、信頼できる傾向推定値を得るために大きなサンプルサイズを形成します。使用されている計量経済学ツールは、爆発の単純化に続く推定値の提示の前にも説明されています。
COVID 19の感染拡大と死亡率の両方が、国民生活の中でCOVIDフォールアウトで最も懸念される問題です。グラフ（図1）は、2020年4月3日から2020年8月28日までの感染率の毎日の変動を滑らかにするための5日間の移動平均（MA）を示しています。 4月と5月の間に急激な率。増加率は6月と7月に少し減少しました。しかしながら、この期間中、感染率は増加し続けました。グラフから、感染率は8月の初めにピークに達し、データ期間の終わりまで遅くなり始め、減少し続けていることがわかります。
各月の最小二乗回帰を使用して成長率を計算しました。モデルは次のとおりです。
ここで、従属変数は、テストされたケースのパーセントで表した毎日の感染率の自然対数であり、唯一の独立変数は、毎日の観察である時間です。全期間および各月の上記モデルの回帰係数を推定して、サンプル期間の感染率の1日の平均成長率を識別しました。次の表は、感染率の毎日の平均成長率を表しています。
表1から、感染率は4月から7月にかけて正の割合で増加していることがわかります。最も急激な増加は4月（4.59％）と5月（2.35％）で観測されました。これらの2か月の増加率が急激であることがわかるグラフから明らかですが、4月が最も厳しい月でした。成長率は7月に鈍化し、統計的に有意な8月にマイナスの成長率を示し始めました。感染率は5月から低下し始め、6月から徐々に鈍化し、8月からは感染症の増加傾向はマイナス（横ばい）になっています。多くの人が、8月の第2週以降から、感染の蘇生があるのではないかと疑っていました。これは、7月の終わりの数日が8月の数日間の始まり（8月1日はイード ウル アドハの日でした）を含む、都市部から農村部への人々の激しい移動によって発生する可能性のある第2の波によるものです。少なくとも8月のグラフ（2週目以降）は、いわゆる「第2の波」の復活のそのような傾向を示していません。
一方、COVIDによる死亡率は感染率とはまったく異なります。最初の月は非常に高い死亡率で始まりましたが、その後、1週間以内に落ち始めました。
ただし、分析の観点からは、この異常を最初の月に説明できます。データを注意深く観察すると、最初は4月の初めにラボテストが少数で行われたため、感染率が低く、死亡率が高くなっています。検査値が増加したため、実際の死亡率の数値は1.0％から1.5％の範囲に下がりました。死亡率はほぼ安定しており、6月中旬以降は緩やかに減少しましたが、7月中旬以降はやや上昇が見られます。 8月の死亡率は驚くほどわずかに増加傾向を示しています。最初の図では、8月に感染率が低下していることがわかりました。したがって、同時期に死亡率を上げることは、感染症が致命的になっていることを意味する可能性があります。これは、以前にCOVID 19陽性と診断された人がより死亡しやすいことを示しています。
感染率と同様に、サンプル期間全体だけでなく、平均月間死亡率の平均成長率も計算しました。この場合、従属変数は毎日の死亡率の自然対数であり、モデルは次のとおりです。
サンプル全体で、COVID-19パンデミックによる死亡率の1日あたりの平均マイナス成長率を観察します。サンプル期間全体で、COVID-19の死亡率は大幅に低下しています。図-2に示すように、回帰結果から4月の1日死亡率のマイナス成長率が確認できます。 5月の死亡率は、統計的に有意な正の成長率を示していました。つまり、5月には、死亡率の有意な正の成長が見られました。 6月の死亡率は低下していた。ただし、過去2か月で最小のマージンで上昇しましたが、統計的に有意ではありません。事実上、6月以降、死亡率は横ばいにとどまり、悪化しないことを意味します。
次の表は、COVID-19に関連するさまざまな変数間のピアソンの相関関係を示しています。
表3は、さらに多くのテストが行われる場合、より多くの感染事例が発生する可能性があることを示しています。
臨床検査の数と感染率も正の相関関係にあり、ラボ検査を増やすと感染率が上がる可能性があります。これは、COVIDの明らかな症状がある症例のみをテストする以外にランダムテストが許可された場合、COVID感染者の漸近的または控えめな症状を持つ感染者をもたらす可能性があります。効果的で迅速なCOVIDの封じ込めのために、これは適切な戦略でした。
ARIMAメソッドを使用した30日間の感染率と死亡率の予測：ARIMAモデリングを実行する前に、ディッキー・フラー（ADF）テストを使用して、定常性/感染の単位根/死亡率を確認する必要があります。シリーズに単位根がある場合、シリーズに非定常性があると結論付けることができます。この場合、レベル系列は偽の回帰を生成するため、差分系列をとる必要があります。
データの単位根をチェックした後、自己相関関数と部分自己相関関数をチェックする必要があります。データに最も適合するARIMAモデルを確認します。
次に、ARIMAモデルのいくつかの仕様をチェックして、モデルの標準誤差、係数の有意性、AICおよびSBC基準などのいくつかの診断をチェックできます。最後に、目的に最適なARIMAモデルを決定できます。ここで、最も重要なのは、パラメーターが少ない簡潔なモデルです。そうしないと、自由度が失われます。さらに、より多くのパラメーターはモデルの過剰適合につながる可能性があります。したがって、ボックスジェンキンス方法論に基づいて最も節約的なモデルを選択します。
最良のARIMA仕様を実行した後、標準誤差の上限と下限を使用して、今後30日間のシリーズを予測します。
感染率：感染率のデータを見ると、感染率は5月末までに20.0％前後のレベルに急速に上昇し、データ期間の終わりまでほとんど変動せずにその水準に留まっていることがわかります。 ADF（ディッキー・フラー）検定を使用すると、ADF検定統計量が-3.10であり、有意水準1％で臨界値-2.353（絶対値）よりも大きいことがわかります。これは、シリーズが静止しており、最初の差分または後続の差分を使用して元のシリーズを区別する必要がないことを示しています。
差分の必要がないため、モデルはARIMA（自動回帰統合移動平均）ではなく、ARMA（自動回帰移動平均）と呼ばれます。これで、自己相関関数と部分自己相関関数を確認して、ARMAモデルの仕様を特定できます。いくつかの仕様を確認したところ、各仕様に関連する次の値が見つかりました。
表5から、ARIMA（1、0、1）は、他の効率的なモデルのように標準偏差が小さく、AICとBICの値が低く、さらに重要なことに、2つのパラメーターのみで両方とも節約できるため、比較的適していることがわかります。それらのうち、統計的に有意です。
次に、2020年8月29日から2020年9月27日までのARIMA（1,0,1）またはARMA（1,1）モデルを使用して、COVID-19感染率の予測を行います。
赤い線（予測期間の開始点を示す垂直の赤い線ではなく中央の線）は、COVID19感染率の予測値です。 2020年8月28日までの実際のデータを表す黄色（上）の線と比較すると、サンプル内の予測が実際のデータに非常に近いため、モデルのパフォーマンスが非常に高いことが簡単にわかります。 2020年8月29日から2020年9月27日までの30日間の予測はわずかな下降傾向を示しており、2020年8月のCOVID 19感染率の1日の成長率-1.60％（低下率）とも一致しています。青と緑の線は、予測の標準誤差の上限と下限です。これは、予測が95.0％の信頼区間内にあることを示しています。次に予測できること：
死亡率：ADFテストを使用すると、ADFテストの統計が-11.77であり、1.0％の有意水準で臨界値-2.353（絶対値）よりも高いことがわかります。これは、シリーズが静止しており、最初の差分または後続の差分を使用して元のシリーズを区別する必要がないことを示しています。
差分の必要がないため、モデルはARIMAではなくARMAと呼ばれます。これで、自己相関関数と部分自己相関関数を確認して、ARMAモデルの仕様を特定できます。自己相関関数と部分自己相関関数は、最初の数ラグで同様のパターンとカットを示します。これは、ARMAモデルを示しています。次に、いくつかの仕様を確認します。
上記の表から、ARIMA（1、0、1）、ARIMA（1,0,2）、およびARIMA（2,0,1）が他よりも適切な仕様であることがわかります。 ARIMA（1,0,1）モデルは推定するパラメーターの数が少ない簡潔なモデルですが、ARIMA（1,0,2）およびARIMA（2,0,1）モデルはARIMA（1,0,1）よりも優れています。死亡率の場合の標準誤差とAICおよびBIC基準の観点から。この結果に続いて、ARIMA（1,0,2）モデルとARIMA（2,0,1）モデルの両方を使用して死亡率を予測し、ARIMA（2,0,1）の方がより良い結果が得られることを発見しました。表6では、ARIMA（2,0,1）の分散がARIMA（1,0,2）よりも非常に低く、情報基準がARIMA（1,0,2）モデルに非常に近いことがわかります。
では、2020年8月29日から2020年9月27日まで、ARIMA（2,0,1）またはARMA（2,1）モデルを使用して、COVID 19による死亡率の予測を行います。
赤（中央）の線は、COVID-19感染率の予測値です。 2020年8月28日までの実際のデータを表す黄色（上）の線と比較すると、サンプル内の予測が実際のデータに近いため、モデルのパフォーマンスは中程度であることが容易に理解できます。 2020年8月29日から2020年9月27日までの30日間の予測は、わずかに上昇傾向にあります。解釈は、感染率が低下しているにもかかわらず、以前の感染による死亡者数は依然として停滞しており、死亡率（感染者に対する死亡者の数の比率）をわずかに上に押し上げている。
予測された期間における感染の成長率と死亡率：2020年8月29日から2020年9月27日までの毎日の平均成長率も計算し、翌月、つまり2020年9月の成長率の推移を確認しました。
上記の表から、感染率の増加率が低下し、9月には死亡率が上昇すると予想されます。予測は線形であるため、R2は非常に高い値とt統計を示しています。したがって、結果の解釈には注意が必要です。しかし、一般的な方法で、感染率が低下する可能性があり、死者数が来月に上昇する可能性があることを確認できます。ただし、これらは、現在のCOVID-19の状況が、他の外部要因やCOVID-19の投薬や予防の進歩によって影響を受けないなどの要因の影響を受けます。ウイルス学者は、突然変異によって、COVID-19の致命的な株が発生したかどうかをより適切に説明できます。 イード ウル アドハ中の人々の大きな動きによるCOVID感染の「第2波」の恐怖は、COVID感染の増加を押し付けていませんでした。
シャムスル アラム博士はエコノミストであり、モハマド・ザリアブ ホサインはシャムスル アラムのリサーチアシスタントを務めています。 sambau23@gmail.com
Bangladesh News/Financial Express 20200901
https://today.thefinancialexpress.com.bd/views-reviews/trend-analysis-of-covid-19-infection-and-death-rates-in-bangladesh-1598882745/?date=01-09-2020
関連
