ठीक है, regression analysis करेंगे, लेकिन नतीजा वह नहीं होगा जिससे आप संतुष्ट हों

 (natesilver.net)
1 पॉइंट द्वारा GN⁺ 2023-10-02 | 1 टिप्पणियां | WhatsApp पर शेयर करें
  • अमेरिका के राज्यों में COVID मृत्यु-दर पर बहस में राजनीतिक झुकाव और vaccination rate 65 वर्ष से अधिक आयु की आबादी के हिस्से को नियंत्रित करने के बाद भी 1 फ़रवरी 2021 के बाद की मृत्यु-दर का मज़बूती से पूर्वानुमान करते हैं
  • नियंत्रण चर लगातार बढ़ाने से researcher degrees of freedom और overfitting का जोखिम बढ़ता है, इसलिए सार्वजनिक बहस में सरल लेकिन परीक्षण में टिकने वाले stylized facts अधिक उपयोगी होते हैं
  • 2020 में Biden के vote margin और 1 फ़रवरी 2021 के बाद प्रति 10 लाख आबादी पर राज्यवार COVID मौतों की तुलना करने पर, जितनी बड़ी Biden की बढ़त उतनी कम मृत्यु-दर दिखी, और यह संबंध केवल vaccine rollout के बाद दिखाई दिया
  • 65+ आबादी के हिस्से को शामिल करने पर भी राजनीतिक झुकाव के coefficient और statistical significance लगभग नहीं बदले, जबकि vaccination rate ने राजनीतिक झुकाव की तुलना में कहीं अधिक मज़बूत explanatory variable की तरह काम किया
  • मृत्यु-कारण की गणना पद्धति, comorbidities, और non-pharmaceutical interventions के प्रभाव जैसी आपत्तियाँ बनी रहती हैं, लेकिन राज्यों के बीच मृत्यु-दर का अंतर उम्र की तुलना में vaccination rate के अंतर से अधिक जुड़ा दिखता है

सरल विश्लेषण को प्राथमिकता क्यों

  • सार्वजनिक सांख्यिकीय बहसों में यह सिद्धांत रखा गया है कि विश्लेषण जितना सरल हो उतना बेहतर है
  • जितने अधिक control variables जोड़े जाते हैं, उतने अधिक निर्णय-बिंदु बढ़ते हैं कि विश्लेषक संख्याओं को कैसे संभालेगा, यानी researcher degrees of freedom
  • कभी-कभी confounding variables को नियंत्रित करना ज़रूरी होता है
    • ice cream consumption और डूबने के बीच संबंध में गर्मियों का मौसम एक स्पष्ट confounding variable है
  • लेकिन जटिलता बढ़ाने से overfitting का जोखिम भी बढ़ता है
  • यदि साधारण aggregate statistics या सहज तरीकों से मुख्य बात दिखाई जा सकती है, तो online बहसों में वही तरीका अधिक प्रभावी होता है

COVID policy बहस की शुरुआत

  • पिछली पोस्ट की शुरुआत दो stylized facts से हुई थी
    • vaccine उपलब्ध होने से पहले blue states और red states के बीच COVID मृत्यु-दर में बड़ा अंतर नहीं था
    • vaccine rollout के बाद red states में मृत्यु-दर अधिक रही, और इसका बड़ा कारण Republicans में कम vaccination rate हो सकता है
  • यह दावा बाहर से अधिक विवादास्पद था, और Martin Kulldorff ने आलोचना की कि राज्यों की औसत आयु के अंतर को समायोजित किए बिना की गई तुलना भ्रामक है
  • Kulldorff Harvard Medical School के प्रोफेसर हैं और अक्टूबर 2020 के anti-lockdown वक्तव्य Great Barrington Declaration के प्रमुख लेखकों में से एक हैं
  • vaccine-पूर्व अवधि की तुलना उलटे इस बात का समर्थन करती थी कि non-pharmaceutical interventions ने शायद स्पष्ट रूप से अच्छा काम नहीं किया और उनकी लागत बड़ी थी

केवल उम्र से समझाना मुश्किल राज्यवार अंतर

  • COVID बुज़ुर्गों के लिए कहीं अधिक घातक है, लेकिन लेखक का मानना है कि राज्यों का राजनीतिक झुकाव और उनकी आयु संरचना लगभग orthogonal हैं, और vaccination rate के साथ तो और भी कम जुड़ाव है
  • अमेरिका के राज्यों की आयु संरचना में बहुत बड़ा अंतर नहीं है
    • 65+ आबादी के हिस्से के आधार पर, 9 राज्यों को छोड़कर बाकी सभी 15% से ऊपर और 20% से नीचे की संकरी सीमा में आते हैं
  • बुज़ुर्ग आबादी का हिस्सा लगभग समान होने वाले चार राज्यों में भी 1 फ़रवरी 2021 के बाद प्रति 10 लाख आबादी पर COVID मृत्यु-दर में बड़ा अंतर था
    • West Virginia: 3,454
    • Florida: 2,992
    • Maine: 1,881
    • Vermont: 1,210
  • इन चार राज्यों में बुज़ुर्ग आबादी का हिस्सा लगभग समान है, लेकिन मृत्यु-दर का अंतर vaccination rate में दलगत अंतर से मेल खाता है

regression analysis की संरचना

  • regression analysis का उपयोग कई variables के प्रभाव को अलग-अलग समझने के लिए किया गया
  • पहले single-variable regression का dependent variable covid_deaths_late है
    • 1 फ़रवरी 2021 के बाद प्रति 10 लाख आबादी पर COVID मौतों की संख्या
    • स्रोत Worldometers का अमेरिकी COVID डेटा है
    • 1 फ़रवरी 2021 उस समय का एक अनुमान है जब vulnerable groups को व्यापक रूप से vaccine मिलनी शुरू हुई
  • independent variable biden 2020 के राष्ट्रपति चुनाव में Joe Biden की Donald Trump पर जीत या हार का margin है
  • नतीजतन, Biden की जीत का margin जितना बड़ा था, 1 फ़रवरी 2021 के बाद COVID मृत्यु-दर उतनी कम थी
  • यह संबंध COVID के शुरुआती दौर में नहीं दिखा और केवल vaccine उपलब्ध होने के बाद सामने आया

उम्र नियंत्रित करने के बाद भी राजनीतिक झुकाव का असर

  • अगले regression में राज्य की आबादी में 65+ हिस्से को दिखाने वाला senior variable जोड़ा गया
  • जिन राज्यों में बुज़ुर्ग आबादी का हिस्सा अधिक था, वहाँ 1 फ़रवरी 2021 के बाद COVID मौतें अधिक थीं, और यह अंतर statistically significant था
  • लेकिन उम्र को जोड़ने पर भी biden variable का coefficient और statistical significance मूल रूप से नहीं बदले
  • राज्यों का राजनीतिक झुकाव, उम्र को नियंत्रित करने के बाद भी, COVID मृत्यु-दर का मज़बूत पूर्वानुमानक बना रहा

vaccination rate अधिक प्रत्यक्ष explanatory variable

  • इसका मतलब यह नहीं कि COVID स्वभावतः Republicans को अधिक निशाना बनाता है
  • मुख्य मान्यता यह है कि COVID unvaccinated लोगों के लिए बहुत अधिक घातक है, और Republicans के Democrat की तुलना में vaccine लगवाने की संभावना कम थी
  • अगले model में राज्यवार “fully vaccinated” हिस्से को दिखाने वाला vax_rate जोड़ा गया
    • “fully vaccinated” का अर्थ Pfizer या Moderna की शुरुआती 2 doses, या Johnson & Johnson की शुरुआती 1 dose है
    • booster dose आवश्यक नहीं है
  • vax_rate को शामिल करने पर यह variable biden की तुलना में COVID मृत्यु-दर का कहीं अधिक मज़बूती से पूर्वानुमान करता है
  • अंत में biden को हटाकर केवल उम्र और vaccination rate छोड़ देने पर भी, ये दोनों variables फ़रवरी 2021 के बाद राज्यवार COVID मृत्यु-दर में आए बदलाव का आधे से अधिक हिस्सा समझाते हैं

बची हुई आपत्तियाँ और मज़बूत दायरा

  • COVID के प्रसार में काफ़ी randomness है, जैसे कुछ variants का अलग-अलग क्षेत्रों में ऐसे जम जाना जिसे पहले से भाँपना मुश्किल हो
  • कुछ अतिरिक्त सवाल अब भी बचे हुए हैं
    • comorbidities राज्यों के अनुसार अलग हैं
    • COVID मौतों की गणना की पद्धति हर राज्य में समान नहीं हो सकती
    • vaccine-पूर्व अवधि में non-pharmaceutical interventions सचमुच अप्रभावी थे या नहीं, यह दावा अपेक्षाकृत कम मज़बूत है
  • लेकिन कोई दावा तब मज़बूत माना जाता है जब छोटी, मध्यम, और कभी-कभी काफ़ी बड़ी आपत्तियों के बाद भी उसकी श्रेणी नहीं बदलती
  • मृत्यु-गणना की पद्धति अधिक standardized हो जाए तो vaccination rate की predictive power और मज़बूत हो सकती है या नहीं भी, लेकिन ऐसा नहीं लगता कि मुख्य दावा “स्पष्ट रूप से सही” से “संदेहास्पद” या “शायद ग़लत” में बदल जाएगा

संबंधित पढ़ाई

1 टिप्पणियां

 
GN⁺ 2023-10-02
Hacker News की राय

  • एक अमेरिकी नागरिक के तौर पर मैंने अपने आसपास के लोगों से COVID रोकथाम उपायों का पालन करने को कहा था, और मुझे Nate Silver भी पसंद हैं, लेकिन इस लेख में मेरी नजर बस इस बात पर गई कि वे अक्टूबर 2020 के anti-lockdown बयान से मोटे तौर पर सहमत हैं
    उस समय उपलब्ध जानकारी के आधार पर वह रुख था, इसलिए मुझे अपने फैसले पर पछतावा नहीं है, लेकिन अच्छा होगा अगर हम यह स्वीकार करें कि समाज ने lockdown उपायों को बहुत लंबे समय तक खींचा और यह मोटे तौर पर गलत था। वामपंथियों को भी थोड़ी विनम्रता से नुकसान नहीं होगा

    • जिन उपायों के बारे में लगता था कि असर होना चाहिए था, लेकिन लोग कहते हैं कि असल में नहीं हुआ, वे mask और school closures हैं
      पहली wave के दौरान मरीजों को देखने वाले medical staff के लिए mask साफ तौर पर असरदार थे, और सीधे exposure के बावजूद वे बीमार नहीं पड़े। फिर आम जनता के लिए वे असरदार क्यों नहीं रहे? क्या लोग उन्हें सही तरीके से और लगातार नहीं पहन रहे थे? स्कूल तो transmission का बड़ा माध्यम बनने ही वाले लगते थे, और बच्चे ज्यादातर asymptomatic रहते हुए, बीमार होने पर भी, स्कूल के अंदर-बाहर और कमजोर family members तक फैला सकते थे। क्या school closures गलती थे, या उन्हें अलग तरह से लागू करना चाहिए था?
    • COVID को लेकर लगभग हर कोई किसी न किसी समय काफी गलत था, लेकिन इसे स्वीकार करना दुर्लभ है
      मैं भी कई चीजों में गलत था—हाथ sanitize करने से लेकर, जबकि असल में airborne transmission मुख्य था, और यह सोचने तक कि vaccine इस संकट को खत्म कर देगी
    • आज भी लोग नए-नए तरीके से गलत हो रहे हैं
      उदाहरण के लिए यह दावा करना कि अक्टूबर 2020 में सरकार सख्त lockdown measures लागू करा रही थी। असल में इस बात के साफ सबूत थे कि लोग घर पर रहना पसंद कर रहे थे, और office attendance ratio आज भी ऐतिहासिक रूप से कम स्तर पर है, यह भी उसी का उदाहरण है। जनवरी 2020 में चीन के वीडियो सामने आने के बाद से मैं कभी गलत नहीं था, और यह देखना दिलचस्प था कि high school student भी जिन तीन सरल बातों को जानता है—“बहुत infectious respiratory disease बुरी होती है, vaccine infection या transmission को नहीं रोकती, लोग work from home पसंद करते हैं”—उन पर लोग overthinking और moralizing करते हुए, side issues की side issues पर fanatic तरीके से अटकते रहे

  • उस समय ऐसी बात उठाते ही माहौल ऐसा था कि तुरंत मुझे anti-vaxxer जैसा ठहरा दिया जाता, इसलिए बोलना मुश्किल था
    मैं सोचता था कि क्या अलग-अलग उपायों की cost-benefit और यह कि हमें कितनी चरम सीमा तक जाना चाहिए, इसकी गणना करने की कोई कोशिश हुई थी। Depression, isolation, बच्चों का आधे साल की schooling खो देना जैसी हानियों की तुलना मौत से करना कठिन है, और सतह पर तो जाहिर है कि किसी व्यक्ति की मौत कहीं ज्यादा बुरी लगती है। लेकिन अगर हमने जो कुछ भी किया वह सिर्फ एक व्यक्ति को बचाने के लिए था, तो आम तौर पर उसे उतना worthwhile नहीं माना जाएगा; और जैसे-जैसे यह संख्या 10, 1,000, 10,000 तक बढ़ती है, किसी subjective point पर अधिकतर लोग सहमत होना शुरू कर देंगे। आज के data से शायद अलग-अलग rules वाले पर्याप्त regional samples जुटाकर कुछ हद तक quantify किया जा सकता है—“mask ने प्रति 1,000 लोगों पर x lives बचाईं”, “school closures ने प्रति 1,000 लोगों पर y लोगों को बचाया”। तब यह तय किया जा सकता है कि x lives बचाना qualitative harm सहने लायक था या नहीं, और y के लिए शायद नहीं था

    • excess deaths के आधार पर cost-benefit calculation असली मुद्दा नहीं है
      शुरुआती wave में भी साफ था कि policymakers की मुख्य constraints virus को लेकर uncertainty, protective equipment और ICU beds की कमी थीं। Protective equipment न हो तो isolation के बिना transmission घटाने का तरीका नहीं होता, और ICU भर जाएं तो mortality rate दोगुना हो जाता है, लोग सड़कों पर मरते हैं और healthcare system collapse हो जाता है। Healthcare system collapse कोई ऐसा policy option नहीं है जो functioning economy के साथ compatible हो, और non-COVID deaths भी बढ़ती हैं। Heart attack, traffic accident, childbirth तक मौत के कारण बन जाते हैं। यह सोच कि policymakers “दादा/नाना का कुछ साल पहले मरना” और “पोते/नाती का social isolation” तौल रहे थे, खत्म होनी चाहिए
    • ऐसी कोशिश करने वाले papers हैं, और हाल में एक paper ने यह भी देखा कि stay-at-home policies ने कुल excess mortality घटाई या नहीं: https://onlinelibrary.wiley.com/doi/full/10.1002/hec.4737
      “43 देशों और अमेरिका के सभी राज्यों के data का इस्तेमाल करते हुए event study approach से, COVID-19 stay-at-home (SIP) policies लागू होने के बाद excess deaths में बदलाव मापा गया। जिन देशों या राज्यों ने SIP policies पहले लागू कीं, वहां excess deaths कम थीं—ऐसा कोई परिणाम नहीं मिला। SIP से पहले COVID-19 mortality rate को ध्यान में रखने पर भी, SIP लागू होने से पहले और बाद में excess deaths में कोई अंतर नहीं दिखा”
    • Canada में कई restrictions hospital capacity से जुड़ी थीं
      उपलब्ध ICU beds कम होते तो ज्यादा restrictions लगाए जाते, और उल्टा होने पर ढील दी जाती। खास तौर पर ध्यान preventable deaths पर था—ऐसी मौतें जहां “बचाया जा सकता था, लेकिन bed न होने के कारण वापस भेजना पड़ा”—और intuitively भी मुझे यह approach मजबूत लगा। Preventable death सचमुच बहुत दुखद होती है
    • लोगों को यह भी ठीक से नहीं पता कि इस मुद्दे पर सोचना कैसे चाहिए
      अहम चीज lives की संख्या नहीं, बल्कि lost life-years हैं। उदाहरण के लिए, जिस बच्चे की लगभग पूरी जिंदगी बची है, उसकी मौत उस बुजुर्ग की मौत से ज्यादा बुरी है जो पहले ही जीवन के अंतिम चरण में है। मौजूदा statistics expected life-years lost के बजाय सिर्फ deaths की संख्या पर केंद्रित हैं, इसलिए अलग-अलग policies के trade-offs का निष्पक्ष मूल्यांकन करना भी मुश्किल है
    • COVID के समय मैंने भी यही सोचा था, लेकिन जैसा कहा गया, दूसरे लोग इस विषय पर बात नहीं करना चाहते थे
      COVID गंभीर था, लेकिन अमेरिका की प्रतिक्रिया बहुत अजीब थी। Restaurant में mask पहनने का तरीका शायद अमेरिकी इतिहास के सबसे विचित्र पलों में से एक के रूप में याद रहेगा

  • जिज्ञासा में खोजा तो लगा कि वे Stata इस्तेमाल करते हैं: https://www.reed.edu/psychology/stata/analyses/parametric/Re...

    • https://en.m.wikipedia.org/wiki/Stata
      https://www.stata.com/
    • मैं download ढूंढ रहा था, लेकिन website पर इससे जुड़ी लगभग कोई जानकारी नहीं है; सबसे करीब जो explanation मिला वह यह वाक्य था
      “सभी Reed lab computers में Stata Applications folder में है।” “Stata school computers के Applications folder में मिल सकता है। PC पर इसके Program Files में होने की संभावना अधिक है।” क्या इसका मतलब है कि यह न open source है और न commercial तौर पर मिल सकता है? दोनों में से कोई एक तो संभव होना चाहिए, यह काफी अजीब है
    • Python के statsmodels से इसी तरह का काम किया जा सकता है, और result terminal UI भी मिलती-जुलती बनाई जा सकती है: https://www.statsmodels.org/stable/index.html

  • इस लेख का मुख्य हिस्सा COVID नीतियों और वैक्सीन के उपयोग पर है, इसलिए उसी तरफ की चर्चा जुड़ गई, लेकिन मूल बात मुझे इससे ज़्यादा सामान्य लगी
    “मेरा लक्ष्य उन stylized facts पर ध्यान देना और उन्हें दोहराना है जो मोटे तौर पर सच और मज़बूत हों। मुझे सरल या सरल दिखने वाले दावे पसंद हैं, और ऐसे दावे जिन्हें जितना भी ज़ोर देकर कहा जाए कम है, लेकिन जिनके verification में टिके रहने की उम्मीद हो।” विश्लेषण और model results को पेशेवर रूप से प्रस्तुत करने वाले व्यक्ति के तौर पर मैं इससे पूरी तरह सहमत हूँ। मुख्य बात पहुँचाने वाला सबसे सरल result दिखाइए और आगे बढ़ जाइए। “x, y, z को ध्यान में रखने पर भी यह बना रहता है” इतना कह दें, या अगर आक्रामक audience हो सकती है तो उस analysis को backup slides में रख दें। किसी को फर्क नहीं पड़ता कि model कितना जटिल है; लोग बस देखते हैं कि वह काम करता है या नहीं

    • निष्पक्ष तौर पर कहें तो COVID mortality बहुत अधिक उम्र से बेहद मज़बूती से जुड़ी है, इसलिए इसे ध्यान में न रखना काफ़ी संदिग्ध है
      लेख में Nate ने खुद कहा था कि Utah में Mormon आबादी का अनुपात 100 गुना ज़्यादा है और उसका meaningful effect है। 85 साल से ऊपर के लोगों में COVID mortality बहुत युवा समूहों से 100 गुना से भी ज़्यादा है। मैं result पर ही शक नहीं कर रहा, लेकिन COVID का analysis करते समय उम्र के लिए adjust करना किसी भी निष्कर्ष पर स्वाभाविक रूप से पूछा जाने वाला सवाल है

  • मौतों पर focus करना बड़े सामाजिक मुद्दे को miss करता है
    COVID की तबाही long COVID से भी जुड़ी है, और उन लोगों से भी जो पूरी तरह recover हो गए थे या जिनमें symptoms नहीं थे। यह अभी खत्म नहीं हुआ है, और हम सचमुच बुरी तरह फँस चुके हैं। यानी Great Barrington Declaration की दिशा ही गलत थी। normal पर लौटने की उम्मीद रखनी थी तो COVID को जितना हो सके eliminate करने की दिशा में optimize करना चाहिए था। मौत ही COVID की अकेली समस्या नहीं है। अब बहुत देर हो चुकी है, लेकिन उस declaration का समर्थन करने वाला व्यक्ति quack था और उसका license रद्द होना चाहिए था

    • यह साफ है कि SARS-CoV-2 बना रहेगा, इसलिए उस अर्थ में यह खत्म नहीं हुआ है
      लेकिन उससे आगे “हम सचमुच बर्बाद हो गए” वाली बात से सहमत होना मुश्किल है। COVID life expectancy को थोड़ा कम करता है, और long COVID भी productivity और life satisfaction को थोड़ा घटाता है, यह सही है, लेकिन बड़ी तस्वीर में इसका हिस्सा इतना बड़ा नहीं है। अभी अमेरिका में COVID deaths lung cancer deaths के आधे से भी कम हैं, और ये मौतें भारी तौर पर बुज़ुर्गों में हैं। यह कठोर सुनाई दे सकता है, लेकिन जो लोग बहुत पहले retire हो चुके हैं उनकी उम्र कुछ साल कम हो जाने से देश नहीं टूट जाता। 18 साल से कम उम्र में COVID deaths व्यावहारिक रूप से नहीं हैं, और working-age group में भी hospitalisation या लंबी अवधि की कमजोरी तक बात पहुँचना दुर्लभ है। जो लोग पीड़ित हैं वे निश्चित रूप से पीड़ित हैं, और हमें उन्हें अनदेखा नहीं करना चाहिए, लेकिन public health crisis के रूप में COVID अधिकतर खत्म हो चुका है
    • मैं औसत व्यक्ति से कहीं ज़्यादा apocalypse वाली बातों में दिलचस्पी रखने वाला हूँ, लेकिन “हम सचमुच बर्बाद हो गए” जैसा मुझे बिल्कुल नहीं दिखता
      मुझे COVID कम से कम दो बार हुआ, और recovery के एक महीने बाद ऐसे भयानक symptoms भी थे कि मुझे पूरा यकीन था कि यह long COVID है, लेकिन कुछ महीनों बाद, और अब कई साल बीत जाने पर, ऐसा नहीं निकला। मैं ऐसे कई लोगों को जानता हूँ जिन्होंने COVID में family खोई, लेकिन मैं किसी ऐसे व्यक्ति को नहीं जानता जिसे गंभीर long COVID symptoms हों, या जो ऐसे किसी व्यक्ति को जानता हो। मैं यह संदेह नहीं कर रहा कि long COVID मौजूद नहीं है, लेकिन मेरे observations के आधार पर मैं इस बात को लेकर बहुत skeptical हूँ कि “हम बर्बाद हो गए” की वजह COVID है। COVID के बाद की अजीबियत मुझे इसलिए लगती है कि लोग कई कारणों से, जिनमें तेज़ी से बढ़ता climate change भी शामिल है, जबरदस्त stress में हैं, और साथ ही वे ठीक से यह बता या निकाल नहीं पा रहे कि वह stress क्या है। अगर अच्छा material हो तो मैं पढ़ना चाहूँगा
    • आप किस अर्थ में ऐसा कह रहे हैं? मैं एक बहुत conservative state में रहता हूँ, और अपनी community में मुझे COVID की वजह से बड़ी तबाही महसूस नहीं हुई
      किसी भी चीज़ में पर्याप्त डूब जाएँ तो आप खुद को डरा सकते हैं। Type 2 diabetes पर लेखों को पर्याप्त doomscroll करें तो आप convinced हो सकते हैं कि उसकी complications की तुलना में COVID अमेरिका की public health problems में सबसे मामूली है
    • मैंने Great Barrington Declaration की details नहीं पढ़ीं, लेकिन “स्पष्ट रूप से quack था” वाला आकलन कुछ factors की वजह से उलझ सकता है
      खासकर 2020 में, और अब भी, long COVID और दूसरी side effects के ठोस असर का अनुमान lockdown से हुई mental health deterioration या treatment delays जैसे नुकसान की तुलना में लगाना मुश्किल था। कई साल के lockdown के 3 साल, 5 साल, 10 साल के effects दिखाने वाला counterfactual data भी नहीं है। साथ ही, जब कोई world government मौजूद नहीं है और global lockdown व COVID elimination असंभव है, तो direction ही बदल जाती है। अगर पर्याप्त बड़ी आबादी elimination strategy में साथ नहीं देती, तो बाकी लोगों के लिए वह strategy कम practicable और ज़्यादा महंगी हो जाती है। निजी तौर पर, जब South Africa और Europe में पहली variants निकलनी शुरू हुईं, तब मैंने elimination की संभावना से जुड़ी उम्मीद काफी हद तक छोड़ दी थी। New Zealand या Japan जैसे अपेक्षाकृत सफल lockdown वाले देशों में infection rate और long COVID ratio अभी कितना है, यह जानने की उत्सुकता है
    • COVID elimination लगभग जनवरी 2020 से ही option नहीं था
      “जितना संभव हो” phrase से जिस partial elimination का संकेत मिलता है, वह भी option नहीं था; यह हमेशा सब कुछ या कुछ भी नहीं था

  • मुझे इंतज़ार है कि जब 20 साल बाद सभी लोग अपनी राजनीतिक positions भूल चुके होंगे, तब हमें पता चलेगा कि COVID असल में क्या था

    • शुभकामनाएँ। 1977 की “Russian” flu पर भी academia में अभी तक debate चल रही है [1]
      [1] https://en.wikipedia.org/wiki/1977_Russian_flu
    • व्यक्तिगत स्तर पर, अगर आप कम संभावना वाली conspiracy theories वगैरह को filter करना जानते हैं, तो COVID के बारे में बहुत कुछ अस्पष्ट नहीं दिखता
      मुझे उत्सुकता है कि आपके हिसाब से broadly established information किस तरह politics से रंगी हुई है

  • Nate कभी-कभी Twitter पर हल्का और रूखा बर्ताव कर लेते हैं, लेकिन लगता है कि अपने बारे में आलोचना पर वे पूरी तरह फँस गए हैं
    यह लेख मूलतः कुछ ऐसा है: “मेरे किए दावे पर लोगों ने बिना आधार के अनुमान लगाए, इसलिए मैं बहुत समय लगाकर कुछ ऐसा साबित करूँगा जिसकी उन्हें परवाह नहीं होगी”

    • “लोग” कहना ठीक नहीं लगता
      क्योंकि कम-से-कम आंशिक रूप से यह Harvard मेडिकल स्कूल के प्रोफेसर, biostatistician और GBD के सह-लेखक Martin Kulldorff को दिया गया जवाब है
    • दर्शक के तौर पर वह आकलन सही लगता है, लेकिन लेख के अंत में Nate खुद भी कहते हैं कि Twitter/X के लोगों को मनाने की उम्मीद कम ही है
      शायद अपने पाठक वर्ग के बीच भरोसा बनाए रखना बड़ा मकसद होगा
    • मुझे लगता है Twitter एक उन्मादी गंदगी का ढेर है और मानवता के पतन का बड़ा हिस्सा बनेगा, लेकिन इस राय से मैं ज्यादा सहमत नहीं हूँ
      उन्होंने यह ब्लॉग पोस्ट किसी भी वजह से लिखी हो, लेख खुद वाकई रोचक और insightful था, और उसमें विवरण व सोच की स्पष्टता अच्छी थी। उदाहरण के लिए, लेख के नीचे वाला विश्लेषण दिखाता है कि मृत्यु दर में अंतर पैदा करने वाला असली कारक vaccination rate था, और partisanship असल में उसका proxy variable था। Twitter के लोगों को इस लेख में दिखी बातों की परवाह न हो सकती है, लेकिन मैं इसके लिए काफी आभारी था
    • एकदम पारंपरिक narcissist
      Nate Silver के बारे में सोचते ही हमेशा 2016 के presidential election की रात बीच की दूरी में शून्य-सी नजर से देखते उस थके-हारे आदमी की छवि याद आती है। Silver की उपयोगिता सिर्फ यह जानने तक सीमित है कि mainstream खेमे के talking points क्या हैं

  • बाकी देशों का नहीं पता, लेकिन Austria में nurses को इस बात के लिए मजबूत incentive था कि vaccine लगने के तुरंत बाद हुई मौतों या infection गुजरने के कुछ हफ्तों बाद हुई मौतों को भी राष्ट्रीय आँकड़ों में COVID deaths के रूप में report करें
    pandemic के दौरान ground-level reporting में इस तरह के “nudges” आने से COVID death data भरोसे लायक न रहा हो, तो मुझे हैरानी नहीं होगी

    • उस समय Canada की death counts बेहद संदिग्ध थीं
      जून 2020 की शुरुआत से ही Canada के सबसे बड़े शहर के “public health” authorities ने कहा था कि वे deaths को काफी संदिग्ध तरीके से गिन रहे हैं। “वे व्यक्ति जो COVID-19 से संक्रमित रहते हुए मरे, लेकिन COVID-19 के परिणामस्वरूप नहीं मरे, उन्हें भी Toronto की COVID-19 death count में शामिल किया जाता है।” https://twitter.com/TOPublicHealth/status/127588839006028596... 2021 के मध्य में long-term care facilities से जुड़ी रिपोर्टिंग भी थी। “Ontario long-term care homes के मरीज COVID-19 से नहीं, उपेक्षा से मरे, military report ने कहा: ‘बस पानी और शरीर साफ कराने की जरूरत थी’” https://www.theglobeandmail.com/canada/article-canadian-mili... इन सब घटनाओं और 2020–2022 में जो कुछ हुआ, उसके बाद अब public health officials पर बिल्कुल भरोसा नहीं किया जा सकता
    • अमेरिका में, मेरी याद में, COVID positive आने के 28 दिनों के भीतर हुई मौत को COVID death में गिना जाता था, और vaccinated व्यक्ति को बीमार होना जरूरी था
      इसलिए vaccines ने कितनी जानें बचाईं, इस पर data सचमुच contaminated है, और unvaccinated की count वास्तविकता से ज्यादा दिखती है। ऊपर से hospitals के पास death cause में COVID जोड़ने का financial incentive भी था
    • कुल mortality पर इस counting method का असर नहीं पड़ना चाहिए। क्या सच में असर पड़ा?
    • तब excess deaths देख लीजिए। हैरानी की बात है कि कुछ नहीं बदलता
      लेख पढ़ा था? वही हिस्सा, जहाँ confirmation bias की ओर जाते हुए लोग जो छोटी-छोटी बातें निकालते हैं, उनसे निपटा गया है

  • कुछ observations हैं
    CDC [1] के अनुसार 2020 में state-wise कुल COVID deaths: West Virginia 1,318, Florida 21,546, Maine 344, Vermont 134 थीं। अप्रैल 2020 census [2] में इन राज्यों की आबादी क्रमशः West Virginia 1,793,716, Florida 21,538,187, Maine 1,362,359, Vermont 643,077 थी। इसलिए vaccine आने से पहले प्रति 100,000 आबादी deaths: West Virginia 73, Florida 100, Vermont 21, Maine 25 थीं। अच्छा होगा अगर कोई calculation check कर दे, लेकिन vaccines से पहले भी Trump को वोट देना मौतों को 3x से ज्यादा बढ़ाता दिखता है। यानी मूल लेख का analysis ऐसे confounding factors से प्रभावित हो सकता है जिन्हें consider नहीं किया गया। उदाहरण के लिए, COPD CDC के अनुसार गंभीर COVID complications का एक महत्वपूर्ण medical risk factor है, और West Virginia की 13.6% से ज्यादा आबादी को प्रभावित करता है, जबकि Vermont में यह सिर्फ 5.9% है [3]। मैंने सबसे शुरुआती संभव date पर vaccine और booster लगवाए थे, और अपने state में Omicron की शुरुआती बड़ी wave के दौरान मुझे COVID हुआ था
    [1] https://stacks.cdc.gov/view/cdc/99750
    [2] https://en.wikipedia.org/wiki/List_of_U.S._states_and_territ...
    [3] https://www.lung.org/research/trends-in-lung-disease/copd-tr...

    • vaccine से पहले का अंतर शायद इस बात से आया कि लोग public health recommendations और precautions को कैसे लेते थे
      अगर कोई मानता था कि COVID flu से ज्यादा बुरा नहीं है या उसका अस्तित्व ही नहीं है, जैसे 2020 की गर्मियों में मेरे कुछ ससुराल पक्ष के रिश्तेदार मानते थे, तो उसके संक्रमित होने, फैलाने और गलत treatment लेने की संभावना कहीं ज्यादा रही होगी। ऐसे behavioral differences vaccination rates में भी दिखे होंगे। अगर COPD जैसी conditions मुख्य अंतर होतीं, तो mortality difference 2.9x (प्रति 100,000 पर 73 बनाम 25) के बजाय 2.3x (13.6%/5.9%) के ज्यादा करीब होना चाहिए था। इन दो राज्यों के बीच 2.3x से बड़ा relative ratio रखने वाली दूसरी comorbid conditions मुझे ज्यादा नहीं पता, और obesity में West Virginia सिर्फ 1.3x ज्यादा है। आखिरकार बात Silver के point पर लौट आती है। दूसरे contributing factors लगभग हमेशा मिल सकते हैं, लेकिन यह इस बात का प्रमाण नहीं कि किसी दूसरे factor ने योगदान नहीं दिया। उन्हें साथ में analyze करना चाहिए। हालांकि regression analysis से पहले भी सिर्फ health comorbidity factors से यह अंतर समझाना मुश्किल लगता है

  • अब मैं उस पहली बात का विवरण देखना चाहता/चाहती हूँ कि “वैक्सीन आने से पहले नीले राज्यों और लाल राज्यों की COVID मृत्यु दर में लगभग कोई अंतर नहीं था”

    • इसलिए नहीं कि मुझे भरोसा नहीं है, बस आधार देखना चाहता/चाहती हूँ