JuveYell

1. Motivación.

La pandemia del SARS COV-2 ha generado una crisis sanitaria a nivel mundial y en este escenario los gobiernos han tomado diferentes medidas restrictivas para detener el rápido esparcimiento del virus y disminuir la cantidad de contagiados para prevenir el colapso del sistema de salud.(Aytekin, Emre)

Se nos ha dicho múltiples veces que la mejor estrategia para enfrentar la pandemia es la contención del virus, y para poder contenerlo los gobiernos han impuesto medidas que han restringido la libertad de las personas e irónicamente han empeorado la salud de las personas, tanto física (por las restricciónes relacionadas al deporte) como mental (debido a las cuarentenas).

Los gobiernos han aplicado diversas medidas como las cuarentenas generalizadas, cierre de escuelas, restricción de movimiento, implementación de testeos y últimamente politicas de vacunación. Sin duda las lista es extensa, pues las medidas pueden tomar distintas maneras, sin embargo, la medidas se pueden ver como restricciones a las libertades de los individuos, es decir, podemos englobarlas todas y medirlas en base a que tan restrictivas son.(Vergnes, Timothée)

La universidad de Oford de Inglaterra tomando este enfoque y a seguido las respuestas gubernamentales de distintos países. Esto se refleja en un “Stringency Index” que indica lo restrictivas que han sido el conjunto de medidas tomadas por distintos países. (Thomas Hale, Noam Angrist, Rafael Goldszmidt, Beatriz Kira, Anna Petherick, Toby Phillips, Samuel Webster, Emily Cameron-Blake, Laura Hallas, Saptarshi Majumdar, and Helen Tatlow)

Nosotros buscamos hacer uso de este indice para analizar la existencia de una correlación entre que tan restrictivas han sido las medidas tomadas por distintos gobiernos y la cantidad de enfermos y muertos producto del covid. Nuestra inquietud es si medidas restrictivas efectivamente reducen la cantidad de enfermos y de muertos, tal como lo plantean los medios y la literatura. Además, comprender de manera visual como ha ido evolucionando la pandemia hasta la fecha actual.

2. Problemática.

A raiz de lo expuesto anteriormente, nosotros deseamos responder la siguiente pregunta ¿Cual es la correlación existente entre las medidas sanitarias restrictivas a nivel mundial y el numero de casos y de muertes por Covid-19?

Por consiguiente, para poder responder esta pregunta necesitaremos conocer la correlación existente entre las medidas y el número de casos y la relación existente entre el número de casos y la cantidad de muertes por Covid-19.

3. Datos.

3.1 Bases de datos.

Nuestra base de datos es una compilación de múltiples variables de interés para responde a la pregunta en cuestión. La base de dato es una serie de tiempo que va desde el 24/02/2020 hasta el 02/06/2021. Con esta podremos analizar las correlaciones existentes entre las variables de interés y comprender como ha ido evolucionando la pandemia a lo largo del tiempo.

Rastreador de respuestas gubernamentales COVID-19 de Oxford.(2)

La primera base de datos a utilizar será mediante el rastreador de respuestas gubernamentales COVID-19 de Oxford (OxCGRT) que recopila sistemáticamente información sobre varias respuestas políticas comunes que los gobiernos han adoptado para responder ante la pandemia en 23 indicadores; como el cierre de escuelas y las restricciones de viaje, entre otros. Actualmente cuenta con datos de más de 180 países.

Este indicador creado por la universidad de Oxford tiene como objetivo medir que tan restrictivas han sido las respuestas de distintos gobiernos frente a la pandemia.

Para esto, se utilizan 20 respuestas gubernamentales entorno a 3 ejes principales:

  1. Políticas de mantenimiento y cierre de establecimientos: abarca cierre de escuelas, restricción de movimiento, entre otras.

  2. Políticas económicas: mediante apoyo económico a los ciudadanos, etc.

  3. Políticas del sistema de salud: implementando un régimen de testeo, inversiones de emergencia, políticas de vacunación, entre otras.

Repositorio de datos COVID-19 por el Centro de Ciencia e Ingeniería de Sistemas (CSSE) de la Universidad Johns Hopkins.

La segunda base de datos a utilizar, es la Compilación de Datos del Centro de Sistemas de Ciencias e Ingeniería de la Universidad Johns Hopkins, considerando las siguientes variables:

  1. Nuevos casos confirmados por millón de habitantes
  2. Tasa de reproducción del virus
  3. Nuevas muertes por millón de habitantes
  4. Camas de hospitales por cada 1000 habitantes
  5. Nuevas vacunaciones por cada 100 habitantes
  6. Índice de Desarrollo Humano
  7. Esperanza de vida
  8. Población
  9. Densidad poblacional
  10. Edad media
  11. porcentaje de personas sobre 65 y 70 años
  12. PIB per cápita
  13. Porcentaje en extrema pobreza

La base de datos que se utilizara para este informe ya incluye ambas bases de datos y se utilizaran a la fecha de 2021-06-13, esto debido a que para ese entonces, existe mayor cantidad de datos:

3.2 Paquetes de datos.

En cuanto a la visualización interactiva, utilizaremos el paquete de datos R World Map para mostrar de mejor forma el análisis de nuestras variables y resultados. Además haremos uso del paquete “plyr”, que es un paquete de herramientas que permite separar los datos en partes más manejables y hace más ameno el trabajo con bases de datos con grandes y de una gran cantidad de variables como la nuestra.

4. Estadística descriptiva de las variables de interés.

Como se menciono anteriormente nuestro objetivo es revisar como las politicas sanitarias impactan en la gravedad de los efectos producidos por el covid 19 a nivel general. Para esto realizaremos varias regresiones con diferentes variables dependientes entre las cuales estaran:

##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max.     NA's 
##    0.352   35.530  279.971  654.663 1089.621 5723.307       31

##      Min.   1st Qu.    Median      Mean   3rd Qu.      Max.      NA's 
##      8.52   2195.09  17983.77  34801.12  63254.65 178774.35        23

Luego tenemos las variables independientes, con las cuales buscaremos explicar al maximo las variables anteriores. Estas seran:

A continuación, observamos una exploracion de las variables

Primero, observaremos las variables muertes totales por millón de habitantes e indice de restricción promedio por paises nivel mundial (que corresponde al promedio del indice de restricción para cada país a lo largo de la pandemia).

Mapa 1

Mapa 2

Cantidad de Muertes Totales por Continentes al 28-06-2021

Promedio del indice de Restriccón por continente

En la siguiente gráfica podemos observar el Indice de Restricción promedio a lo largo de todas las fechas incluidas en nuestra base por continente.

Observemos gráficamente la correlación existente entre el Promedio del Indice de Restricción por país y la cantidad de muertes por millón al “2021-06-28” y la relación entre el promedio del indice de Restricción y el promedio de casos nuevos por país con la finalidad de observar si existir una correlación entre los datos.

Promedio del indice de Restriccón por pais y la cantidad de muertes por millon al 28-06-2021

Relación entre el Promedio del indice de Restriccón y el promedio de casos nuevos por pais

En ambos graficos de dipersión (3 y 3.1) se puede observar una concentración de datos cercanos a 0 muertes por millon de habitantes, y una nube de datos por sobre las 50 muertes por millón. Podría existir una correlación positiva entre estas variables, sin embargo no es del todo clara.

Relación entre el promedio del indice de Restriccón y el promedio de la tasa de reproduccón del virus por pais

También observaremos gráficamente la correlación existente entre el promedio del indice de Restricción y el promedio de la tasa reproducción del virus por país con finalidad de corroborar si pareciese existir una correlación en el indice escogido para medir el nivel de restricción de las medidas y la tasa de reproducción del virus.

En este grafico de dispersión pareciese existir una correlación positiva entre el promedio del indice de Restriccón y el promedio de la tasa reproduccón del virus por pais, lo que es contraintuitivo, pues es logico supones a mayores niveles de restrictividad debrian haber una menor tasa de reproducción del virus. (Para entender de mejor manera esta relación, se realizarán regresiones en la sección 5)

Deseamos comprender como ha evolucionado la pandemia a lo largo del tiempo.

Numero de casos nuevos a nivel mundial

Numero de nuevas muertes a nivel mundial

Analizando los graficos 8 y 9 , podemos notar que la cantidad de muertes totales sigue una forma similar a la cantidad de casos totales a nivel mundial. Si observamos a la fecha “insertar fecha”, podemos observar un pequeño peak y rápido ascenso de la cantidad de muertes cuando paralelamente ocurre un pequeño y rápido asenso de casos. Esto corresponde a cuando el virus comienza a propagarse por el mundo. A inicios de la pandemia, muchos países no estaban preparados para hacerle frente, por lo que parece ser lógico que este pequeño pero rápido ascenso de casos haya provocado el rápido ascenso y pequeño primer peak de muertes por Covid. También se puede notar que en ambas gráficas hay dos grandes peaks bien marcados.A pesar de ser el segundo peak de casos superior al primero, el segundo peak de muertes es inferior al segundo. Estos podría atribuirse a que los sistemas de salud se han hecho mas eficientes y han podido hacer frente de mejor manera a el virus, logrando disminuir la cantidad de muertos por Covid por numero de casos.

Acumulación de casos totales a nivel mundial

Acumulación de muertes totales a nivel mundial

No es difícil notar que los gráficos 10 y 11 parecen ser muy similares, es decir, a medida qe aumentaban los casos por Covid, también lo hacian las muertes. Vale la pena destacar, que la pendiente de las muertes parece en promedio ser inferior a la pendiente de la acumulación de casos. Lo que también tiene sentido, si lo conectamos con lo mencionado en los gráficos 8 y 9.

5. Estrategia de resolución.

Con el objetivo de responder a nuestra pregunta, se realizaran regresiones múltiples para cada una de las variables dependientes mencionadas anteriormente en función de todas o algunas de las variables independientes.

## 
## Call:
## lm(formula = mean_reproduction_rate ~ mean_stringency_index, 
##     data = Data.Analsis6)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.73013 -0.03642  0.02793  0.08139  0.32461 
## 
## Coefficients:
##                        Estimate Std. Error t value Pr(>|t|)    
## (Intercept)           0.6331473  0.0506314  12.505  < 2e-16 ***
## mean_stringency_index 0.0062791  0.0008261   7.601 1.93e-12 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.1463 on 169 degrees of freedom
## Multiple R-squared:  0.2548, Adjusted R-squared:  0.2504 
## F-statistic: 57.78 on 1 and 169 DF,  p-value: 1.931e-12

Observamos que el stringency index tiene un efecto positivo y significante en la tasa de reproducción promedio del virus, es decir, países más estrictos en sus medidas tienden a tener una mayor tasa de reproducción del virus.

## 
## Call:
## lm(formula = total_deaths_per_million ~ mean_reproduction_rate, 
##     data = merge2)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -1157.3  -601.0  -314.5   434.1  4952.4 
## 
## Coefficients:
##                        Estimate Std. Error t value Pr(>|t|)    
## (Intercept)              -775.8      419.9  -1.848  0.06643 .  
## mean_reproduction_rate   1436.5      409.5   3.508  0.00058 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 825.3 on 168 degrees of freedom
## Multiple R-squared:  0.06825,    Adjusted R-squared:  0.0627 
## F-statistic: 12.31 on 1 and 168 DF,  p-value: 0.0005796

Observamos que en el caso del total de muertes por millón de habitantes la tasa de reproducción promedio del virus es significativo y positivo, indicando que las muertes aumentan con el aumento de la tasa de reproducción.

## 
## Call:
## lm(formula = total_deaths_per_million ~ gdp_per_capita + total_tests_per_thousand + 
##     people_fully_vaccinated_per_hundred + stringency_index + 
##     population_density + median_age + hospital_beds_per_thousand + 
##     human_development_index, data = Datosalafecha)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -1166.9  -531.1  -107.6   512.1  4518.8 
## 
## Coefficients:
##                                       Estimate Std. Error t value Pr(>|t|)  
## (Intercept)                         -2.730e+03  1.683e+03  -1.622   0.1110  
## gdp_per_capita                      -2.151e-02  9.780e-03  -2.199   0.0325 *
## total_tests_per_thousand             2.988e-02  1.028e-01   0.291   0.7724  
## people_fully_vaccinated_per_hundred  1.361e+01  1.073e+01   1.268   0.2108  
## stringency_index                     7.945e+00  1.008e+01   0.788   0.4345  
## population_density                  -6.804e-01  4.318e-01  -1.576   0.1214  
## median_age                           2.004e+01  3.434e+01   0.584   0.5621  
## hospital_beds_per_thousand          -4.302e+01  6.314e+01  -0.681   0.4989  
## human_development_index              3.873e+03  2.808e+03   1.379   0.1740  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 933.2 on 50 degrees of freedom
##   (156 observations deleted due to missingness)
## Multiple R-squared:  0.2055, Adjusted R-squared:  0.07841 
## F-statistic: 1.617 on 8 and 50 DF,  p-value: 0.1438
## 
## Call:
## lm(formula = total_cases_per_million ~ gdp_per_capita + total_tests_per_thousand + 
##     people_fully_vaccinated_per_hundred + stringency_index + 
##     population_density + population + median_age + hospital_beds_per_thousand + 
##     human_development_index, data = Datosalafecha)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -47824 -21633   -789  19540  53089 
## 
## Coefficients:
##                                       Estimate Std. Error t value Pr(>|t|)   
## (Intercept)                         -7.618e+04  5.315e+04  -1.433  0.15813   
## gdp_per_capita                      -2.922e-01  3.062e-01  -0.954  0.34468   
## total_tests_per_thousand             9.640e-01  3.214e+00   0.300  0.76549   
## people_fully_vaccinated_per_hundred  1.122e+03  3.364e+02   3.336  0.00163 **
## stringency_index                     4.771e+01  3.176e+02   0.150  0.88122   
## population_density                   6.416e+00  1.359e+01   0.472  0.63896   
## population                          -7.252e-06  2.203e-05  -0.329  0.74346   
## median_age                           5.647e+02  1.081e+03   0.522  0.60383   
## hospital_beds_per_thousand          -2.013e+03  1.982e+03  -1.016  0.31478   
## human_development_index              1.184e+05  8.913e+04   1.328  0.19028   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 29170 on 49 degrees of freedom
##   (156 observations deleted due to missingness)
## Multiple R-squared:  0.4747, Adjusted R-squared:  0.3782 
## F-statistic:  4.92 on 9 and 49 DF,  p-value: 0.0001033

La muestra se hace bastante pequeña y obtenemos solo dos variables significativas, entre las cuales no esta el indice de restricción, lo central de nuestro modelo. Además el modelo con variable dependiente el total de casos Covid no es significativo. En el caso de las muertes el modelo es significativo sin embargo, solo las personas vacunadas por cada 1000 habitantes es significativo.

6. Conclusión.

Encontramos finalmente con nuestras primeras dos regresiones que las restricciones, afectan positivamente a la tasa de reproducción del virus y esto a su vez aumenta la cantidad de muertes. Por lo tanto países con mayores restricciones tienden a tener mayores cantidades de muertes por millón de habitantes. Este resultado es posible que se haya dado debido a que generalmente se utiliza la tasa de reproducción del virus para decidir si se toman medidas restrictivas o no, en otras palabras, un país que observa altas tasas de reproducción del virus tomara la decisión de poner medidas restrictivas. Sin embargo, esta conclusión queda en duda luego de observar nuestra segunda regresión, la cual muestra que no existe significancia para la variable relacionada a las restricciones tomadas por los países, pero si para las personas vacunadas por cada mil habitantes. Esto nos muestra que es posible que las restricciones en realidad no tengan ningún tipo de efecto en las muertes por millón de habitantes.

7. Bibliografía.