Analyse écologique du COVID-19 : étude des déterminants socio-économiques et environnementaux associés à la transmission du SRAS-CoV-2 au niveau mondial

Je vous propose une analyse originale portant sur les liens entre facteurs environnementaux, socio-économiques et la vitesse de transmission du COVID-19 en début d’épidémie à l’échelle mondiale (étude écologique). En résumé, les transports aériens pourraient être un déterminant (plus important que la température ou la pollution atmosphérique) des différences du taux de croissance épidémique entre les pays.

Le 31 décembre 2019, la Chine alertait l’OMS (Organisation Mondiale de la Santé) d’une pneumonie inconnue. Ce nouveau virus s’est rapidement répandu à l’échelle internationale et la pandémie a été déclarée le 11 Mars 2020. La plupart des pays ont fermé les écoles et universités, imposé des mesures de distanciation sociale et ont initié un confinement afin de réduire la transmission (Viner 2020). Malgré un décalage de début d’épidémie entre les pays, certaines régions semblent avoir une propagation plus lente qui n’est pas expliquée uniquement par les mesures de santé publique mises en place (mesures d’hygiène, confinement…).

Les virus émergents : un comportement difficilement prévisibles

Certains virus respiratoires connus (grippe, infections aux pneumocoques, coronavirus du rhume…) sont souvent saisonniers (Chew 1998, Dowell 2003, Weinberger 2014 Visseaux 2017). A l’inverse, le comportement des nouveaux pathogènes est plus difficile prévisible. Le SRAS-CoV-1 (Syndrome respiratoire aigu sévère) est apparu en 2003 puis a disparu deux ans après. Le coronavirus du Moyen-Orient CoV-MERS est apparu en 2012 en Arabie Saoudite. A l’inverse, celui-ci a eu une récurrence saisonnière avec des pics de contamination entre Avril et Juin (19,3% des cas vs 11,3% en octobre – décembre sur 2 048 cas confirmés en laboratoires) (Nassar 2018).

Les virus de la grippe (Influenza), les coronavirus du rhume, le virus respiratoire syncytial ont un effet saisonnier marqué

Dans des conditions expérimentales, le SRAS-CoV-1 et le MERS-CoV sont moins stables à température élevée (Chan et al., 2011; Lm et al., 2010; van Doremalen et al., 2013). Comprendre l’influence de facteurs environnementaux, migratoires et socio-économiques sur une épidémie est important pour la contrôler.

Études (peer-reviewed) sur le nouveau coronavirus et ses déterminants

Plusieurs études récentes ont identifié que les flux de population et le nombre de passagers dans les transports aériens étaient des déterminants des épidémies du COVID-19 (Jia et al., 2020; Lau et al., 2020). L’état de santé de la population pourrait également jouer : la moitié des cas de COVID-19 avait des comorbidités et l’obésité était associée avec la sévérité de la maladie (Richardson et al., 2020; Team, 2020; Zhou et al., 2020).

La pollution de l’air en particules fines PM2.5 et PM10 et oxyde nitreux était associée à une incidence plus élevée en Chine (Zhu et al. 2020) et à une létalité plus importante en Italie (Ogen 2020). La température et l’humidité étaient associées à une nombre de cas confirmés et taux de croissance épidémie plus important en Chine (Liu et al., 2020; Qi et al., 2020; Shi et al., 2020) et à Jakarta en Indonésie (Tosepu et al. 2020). Cependant, peu d’études ont étudié tous ses facteurs ensembles sur la transmission du COVID-19.

Le but de cette analyse écologique était d’identifier des potentiels déterminants historiques environnementaux, socio-économiques et de santé sur le début de propagation du COVID-19 dans le monde (dans 96 pays), caractérisée par le taux de croissance exponentiel. Une étude écologique porte sur les populations (et non pas les individus) : l’étude des effets de groupe expliquant une partie de la variation entre les unités géographiques dans la vitesse de transmission du COVID-19. Ce type d’étude sert à générer des hypothèses.

J’ai détaillé la partie méthode pour les amateurs de statistiques mais n’hésitez pas à passer directement à la section “Résultats”.

Méthodes

Le taux de croissance en début d’épidémie du COVID-19

Le nombre de cas confirmés du COVID-19 a été récolé sur le site de l’Université de John Hopkins au 15 Avril. En début d’épidémie, la croissance peut être approximée par une fonction exponentielle (Remuzzi 2020) décrite par N(t)=N0 ert

  • t est le temps
  • N le nombre de cas au temps t
  • N0 le nombre de cas initiaux à t0
  • r le taux de croissance intrinsèque exponentiel (growth rate)

J’ai préféré utiliser le taux de croissance au nombre de cas confirmés parce qu’il permet de mieux comparer la vitesse de croissance du COVID-19 dans les pays sur une même période de temps. Pour ces analyses, 96 pays avaient plus de 100 cas. Le taux de croissance a été empiriquement calculé pour une période de 7 jours à partir de 100 cas (pour les analyses principales) à partir de cette formule : r=ln(Njour 7 / Njour 1)/7

Un r élevé signifie que le nombre de cas va évoluer rapidement.

Plusieurs données ont été assemblées et récoltés provenant de l’OMS et de la Bande Mondiale.

  • Les facteurs environnementaux : la température et les précipitations moyennées entre 1961 et 1999 de Janvier à Mars ; la pollution atmosphérique en particules fines PM2.5 entre 2015 et 2017
  • Les facteurs socio-économiques : le PIB par habitants en 2017 comme indicateur du niveau d’activité économique, le classement économique de la Banque Mondiale
  • Les facteurs migratoires : le nombre de passagers aériens dans chaque pays en 2018 (vols domestiques et internationaux enregistrés dans un pays)
  • Facteurs de santé : l’indice UHC (Universal Health Coverage) est un score de 0 à 100 élaboré par l’OMS provenant de la moyenne de 14 indicateurs des services de santé (santé maternelle, des nourrissons, maladies infectieuses, non transmissibles, capacité et accès aux systèmes de santé). La proportion de personnes âgées (plus de 65 ans) et la densité populationnelle, la prévalence de surpoids en 2016 et de sous-nutrition ont été collectés.

Analyses statistiques

L’association entre ces déterminants et le taux de croissance du COVID-19 a été évalué préliminairement par une analyse univarié (1 variable) avec un test du rang de Spearman. La modélisation multivariée permet d’incorporer plusieurs variables. J’ai utilisé un modèle linéaire additif généralisé (Generalized Additive Models “GAM”) qui permet de prendre en compte les relations non-linéaires pour les facteurs environnementaux (Ravindra et al. 2019). Ce modèle s’écrit comme une somme de fonctions splines :

g(E[Y])= μ + f1 (X1) + f2 (X2) + … + fk (Xk)

La normalité et la variance des résidus du modèle ont été vérifiés avec le package mgcv dans R.

Résidus du modèle 1

Le modèle 1 inclut les variables significatives avec le test de Spearman quand la p-value est <0,20. Le coefficient de corrélation sur les rangs (Rho de Spearman) entre deux variables s’interprète de cette façon : une valeur positive (maximum = +1) indique une variation simultanée dans le même sens, une valeur négative (minimum = -1) une variation simultanée en sens inverse. Le modèle 2 inclut des ajustements supplémentaires sur des facteurs démographiques.

Des analyses de sensibilité ont été conduites pour tester la robustesse du modèle en utilisant une période de 14 jours à partir du 100ème cas et une période de 7 jours à partir du 50ème cas. Les tests statistiques sont bilatéraux, effectués avec R et p<0,05 est le seuil de significativité statistique.

Les résultats

La moyenne et la médiane des taux de croissance à partir du 100ème cas sur 7 jours du COVID-19 étaient de r=0,15 (Table 1). L’Iran (r = 0,40), la Turquie (r = 0,36), la Corée (r = 0,35), le Canada (r = 0,34) et l’Équateur (r = 0,33) ont eu le taux de croissance le plus élevé. Trinidad et Tobago (r = 0,01), le Cambodge (r = 0,02), Rwanda (r = 0,02), Sri Lanka (r = 0,03), Brunei (r = 0,03) dans la figure 1 avaient des taux de croissance les plus bas.

En analyse univariée, la transmission du COVID-19 était associée significativement avec les températures hivernales (rho=-0,37), le nombre de passagers aériens (rho= 0,54), le PIB par habitants (rho=0,38), l’indice de couverture de santé universelle (rho=0,42), la prévalence du surpoids (rho=0,42) et de la sous-nutrition (rho=-0.68).

Voici quelques graphiques représentant le taux de croissance r en fonction de divers déterminants :

Dans les modèles GAM multivariés, le taux de croissance du COVID-19 était significativement associé positivement au nombre de passagers aériens (p <0,0001), aux températures hivernales (p = 0,02), au PIB par habitant (p = 0,03), à l’indice UHC (p = 0,006), prévalence du surpoids (p = 0,004) et de la sous-nutrition (p = 0,09) dans le modèle 1. Dans la figure 2, les déterminants économiques, l’indice de couverture sanitaire, la prévalence du surpoids et la température ont une relation non linéaire. Lorsqu’il a été ajusté en plus sur des facteurs démographiques dans le modèle 2, tous ces déterminants précédents restaient significatifs à l’exception de la dénutrition (p= 0,10). La densité de la population et la proportion de personnes âgées n’étaient pas associées à la vitesse de propagation précoce du COVID-19. NB : une p<0.05 indique un résultat statistiquement significatif.

Figure 2 : cela représente les fonctions spline utilisées dans le modèle 1. On peut voir la forme de la relation entre chaque déterminant et le taux de croissance précoce du COVID-19

Fonction spline pour le nombre de passagers aériens (représentation en log)


Dans les deux analyses de sensibilité, lorsque le taux de croissance a été calculé sur une période de 14 jours, les passagers aériens, la température, l’indice UHC et les effets de la surcharge pondérale sont restés significatifs. Les résultats étaient similaires pour un taux de croissance calculé depuis le 50e cas et une période de sept jours.

Discussion

Cette étude a identifié que l’un des principaux moteurs du début de transmission de COVID-19 est le trafic aérien. L’indice UHC, la prévalence de la surcharge pondérale et le PIB par habitant étaient également associés au taux de croissance. La déviance expliquée (un pseudo-R2 qui évalue la part de variation dans le taux de croissance expliqué par le modèle) dans les modèles ajustés était de 52,9%. L’effet du trafic aérien était très significatif dans chaque modèle et l’analyse de sensibilité. Plus de trafic est associé à un taux de contacts potentiels plus élevé, conduisant à une probabilité de transmission plus élevée. Étonnamment, l’effet de l’obésité était significatif, il peut s’expliquer par une forte corrélation avec les pays à revenu élevé qui ont été les plus touchés par l’épidémie. L’effet de la température était marginalement faible.

Une autre étude écologique sur 44 pays a trouvé des résultats similaires avec une régression linéaire multiple OLS (moins bon R² = 34,5%) : les réseaux de transport mondiaux pourraient être l’un des principaux moteurs de la transmission précoce (Coelho et al., 2020). Quatre études (Kassem, 2020; Notari, 2020; Shi et al., 2020, Liu et al., 2020) ont identifié une tendance inverse entre la température et la transmission du COVID-19 en Chine, dans 24 et 42 pays. Dans l’article de Notari, la régression linéaire avait un R² très faible de 0,196 montrant que l’effet de la température est faible.

Cependant, d’autres études n’ont trouvé aucun lien entre les facteurs météorologiques et la transmission de COVID-19 dans 224 villes chinoises (Yao et al., 2020) ou dans cette analyse écologique sur 44 pays (Coehlo et al. 2020). Pour terminer, une petite revue de littérature a identifié comme faible le niveau des preuves concernant les effets de la température et de l’humidité sur la propagation du COVID-19 (Mecenas et al., 2020). Ces incohérences peuvent s’expliquer par l’hétérogénéité des lieux ou pays inclus dans les études, dans le choix du paramètre d’étude (nombre cas confirmés, nombre de décès ou taux de croissance, utilisation de données actuelles vs historiques).

Les principales voies de transmission SRAS-COV-2 sont les contacts directs, les contacts indirects, les gouttelettes et la transmission par aérosol est suspectée. Les facteurs météorologiques peuvent avoir un impact sur les transmissions aéroportées. Certaines études animales ont tenté de démêler les facteurs de température et d’humidité. Chez des cochons d’inde, la transmission de la grippe s’est produite plus fréquemment à des températures froides (Lowen et al., 2007). En laboratoire, des gouttelettes de SRAS-CoV-2 sur une surface était plus stables à 4 ° C et sensibles à la température (Chin et al., 2020). Une étude italienne a identifié un lien entre la pollution atmosphérique et une létalité plus élevée pour le COVID-19 mais je n’ai pas retrouvé cette effet sur la transmission (Conticini et al., 2020)

La force de cette analyse est le nombre important de pays inclus. Les déterminants retenus dans les modèles (principalement le trafic aérien) sont associés à 50% de la variation du taux de croissance. De plus, pour la première fois, des facteurs socioéconomiques, aériens, environnementaux et démographiques historiques ont été ajoutés dans les modèles pour étudier la transmission précoce du COVID-19 à la différence des précédentes études qui n’ont pris en compte que la température ou l’humidité relative comme covariables dans leurs modèles.

Cette étude a plusieurs limites. Dans une analyse écologique, les données utilisées sont agrégées au niveau populationnelle. Les relations à l’échelle des population ne peuvent pas être étendue aux individus (biais d'”Ecological fallacy”). Deuxièmement, la propagation de COVID-19 est évaluée par le taux de croissance, mais ce paramètre dépend également du nombre de cas confirmés. Les capacités de test peuvent influencer le nombre de cas identifiés, mais il n’est pas possible d’avoir des statistiques précises sur les capacités de tests pour tous les pays. Une confusion résiduelle ne peut être exclue et les relations établies ne sont pas causales comme dans toutes études observationnelles. Les mesures de verrouillage et de distanciation sociale n’ont pas été incluses car le taux de croissance a été calculé au début de l’épidémie dans chaque pays. Cette étude ne couvre pas tous les pays du monde car il est impossible d’avoir des données complètes pour tous les pays. Enfin, les facteurs environnementaux sont basés sur des données historiques et non sur des données en temps réel.

Conclusion

En conclusion, les facteurs environnementaux (température, précipitations, particules PM2,5) ont un effet faible voire nul par rapport au nombre de passagers aériens transportés pour expliquer les différences de taux de croissance des épidémies de COVID-19 à l’échelle mondiale. Le trafic aérien pourrait être l’un des principaux moteurs de cette pandémie.

Références ci-dessous

Un petit tip pour la pérennité du blog : https://fr.tipeee.com/quoidansmonassiette

Pour suivre les autres actualités du blog ou en apprendre plus sur les controverses alimentaires, santé et environnement :

 

 

References

Chan, K.H., Peiris, J.S.M., Lam, S.Y., Poon, L.L.M., Yuen, K.Y., Seto, W.H., 2011. The Effects of Temperature and Relative Humidity on the Viability of the SARS Coronavirus. Adv. Virol. 2011, 734690. https://doi.org/10.1155/2011/734690

Chew, F.T., Doraisingham, S., Ling, A.E., Kumarasinghe, G., Lee, B.W., 1998. Seasonal trends of viral respiratory tract infections in the tropics. Epidemiol. Infect. 121, 121–128.

Chin, A.W.H., Chu, J.T.S., Perera, M.R.A., Hui, K.P.Y., Yen, H.-L., Chan, M.C.W., Peiris, M., Poon, L.L.M., 2020. Stability of SARS-CoV-2 in different environmental conditions. Lancet Microbe 0. https://doi.org/10.1016/S2666-5247(20)30003-3

Coelho, M.T.P., Rodrigues, J.F.M., Medina, A.M., Scalco, P., Terribile, L.C., Vilela, B., Diniz-Filho, J.A.F., Dobrovolski, R., 2020. Exponential phase of covid19 expansion is not driven by climate at global scale (preprint). Epidemiology. https://doi.org/10.1101/2020.04.02.20050773

Conticini, E., Frediani, B., Caro, D., 2020. Can atmospheric pollution be considered a co-factor in extremely high level of SARS-CoV-2 lethality in Northern Italy? Environ. Pollut. 114465. https://doi.org/10.1016/j.envpol.2020.114465

CSSEGISandData, 2020. CSSEGISandData/COVID-19.

Dowell, S.F., Whitney, C.G., Wright, C., Rose, C.E., Schuchat, A., 2003. Seasonal Patterns of Invasive Pneumococcal Disease. Emerg. Infect. Dis. 9, 574–579. https://doi.org/10.3201/eid0905.020556

GHO | By theme [WWW Document], n.d. . WHO. URL https://apps.who.int/gho/data/node.home (accessed 5.2.20).

Jia, J.S., Lu, X., Yuan, Y., Xu, G., Jia, J., Christakis, N.A., 2020. Population flow drives spatio-temporal distribution of COVID-19 in China. Nature 1–11. https://doi.org/10.1038/s41586-020-2284-y

Kassem, A.Z.E., 2020. Do Weather Temperature and Median-age affect COVID-19 Transmission? (preprint). Infectious Diseases (except HIV/AIDS). https://doi.org/10.1101/2020.04.16.20067355

Lau, H., Khosrawipour, V., Kocbach, P., Mikolajczyk, A., Ichii, H., Zacharski, M., Bania, J., Khosrawipour, T., 2020. The association between international and domestic air traffic and the coronavirus (COVID-19) outbreak. J. Microbiol. Immunol. Infect. https://doi.org/10.1016/j.jmii.2020.03.026

Liu, J., Zhou, J., Yao, J., Zhang, X., Li, L., Xu, X., He, X., Wang, B., Fu, S., Niu, T., Yan, J., Shi, Y., Ren, X., Niu, J., Zhu, W., Li, S., Luo, B., Zhang, K., 2020. Impact of meteorological factors on the COVID-19 transmission: A multi-city study in China. Sci. Total Environ. 726, 138513. https://doi.org/10.1016/j.scitotenv.2020.138513

Lm, C., S, J., Wa, R., Dj, W., Md, S., 2010. Effects of air temperature and relative humidity on coronavirus survival on surfaces. Appl. Environ. Microbiol. 76, 2712–2717. https://doi.org/10.1128/AEM.02291-09

Lowen, A.C., Mubareka, S., Steel, J., Palese, P., 2007. Influenza Virus Transmission Is Dependent on Relative Humidity and Temperature. PLOS Pathog. 3, e151. https://doi.org/10.1371/journal.ppat.0030151

Mecenas, P., Bastos, R., Vallinoto, A., Normando, D., 2020. Effects of temperature and humidity on the spread of COVID-19: A systematic review. (preprint). Public and Global Health. https://doi.org/10.1101/2020.04.14.20064923

Nassar, M.S., Bakhrebah, M.A., Meo, S.A., Alsuabeyl, M.S., Zaher, W.A., 2018. Global seasonal occurrence of middle east respiratory syndrome coronavirus (MERS-CoV) infection. Eur. Rev. Med. Pharmacol. Sci. 22, 3913–3918. https://doi.org/10.26355/eurrev_201806_15276

Notari, A., 2020. Temperature dependence of COVID-19 transmission (preprint). Epidemiology. https://doi.org/10.1101/2020.03.26.20044529

Ogen, Y., 2020. Assessing nitrogen dioxide (NO2) levels as a contributing factor to coronavirus (COVID-19) fatality. Sci. Total Environ. 726, 138605. https://doi.org/10.1016/j.scitotenv.2020.138605

Qi, H., Xiao, S., Shi, R., Ward, M.P., Chen, Y., Tu, W., Su, Q., Wang, W., Wang, X., Zhang, Z., 2020. COVID-19 transmission in Mainland China is associated with temperature and humidity: A time-series analysis. Sci. Total Environ. 728, 138778. https://doi.org/10.1016/j.scitotenv.2020.138778

Ravindra, K., Rattan, P., Mor, S., Aggarwal, A.N., 2019. Generalized additive models: Building evidence of air pollution, climate change and human health. Environ. Int. 132, 104987. https://doi.org/10.1016/j.envint.2019.104987

Richardson, S., Hirsch, J.S., Narasimhan, M., Crawford, J.M., McGinn, T., Davidson, K.W., Barnaby, D.P., Becker, L.B., Chelico, J.D., Cohen, S.L., Cookingham, J., Coppa, K., Diefenbach, M.A., Dominello, A.J., Duer-Hefele, J., Falzon, L., Gitlin, J., Hajizadeh, N., Harvin, T.G., Hirschwerk, D.A., Kim, E.J., Kozel, Z.M., Marrast, L.M., Mogavero, J.N., Osorio, G.A., Qiu, M., Zanos, T.P., 2020. Presenting Characteristics, Comorbidities, and Outcomes Among 5700 Patients Hospitalized With COVID-19 in the New York City Area. JAMA. https://doi.org/10.1001/jama.2020.6775

Shi, P., Dong, Y., Yan, H., Zhao, C., Li, X., Liu, W., He, M., Tang, S., Xi, S., 2020. Impact of temperature on the dynamics of the COVID-19 outbreak in China. Sci. Total Environ. 728, 138890. https://doi.org/10.1016/j.scitotenv.2020.138890

Team, T.N.C.P.E.R.E., 2020. The Epidemiological Characteristics of an Outbreak of 2019 Novel Coronavirus Diseases (COVID-19) — China, 2020. China CDC Wkly. 2, 113–122. https://doi.org/10.46234/ccdcw2020.032

Tosepu, R., Gunawan, J., Effendy, D.S., Ahmad, L.O.A.I., Lestari, H., Bahar, H., Asfian, P., 2020. Correlation between weather and Covid-19 pandemic in Jakarta, Indonesia. Sci. Total Environ. 725, 138436. https://doi.org/10.1016/j.scitotenv.2020.138436

van Doremalen, N., Bushmaker, T., Munster, V.J., 2013. Stability of Middle East respiratory syndrome coronavirus (MERS-CoV) under different environmental conditions. Euro Surveill. Bull. Eur. Sur Mal. Transm. Eur. Commun. Dis. Bull. 18. https://doi.org/10.2807/1560-7917.es2013.18.38.20590

Viner, R.M., Russell, S.J., Croker, H., Packer, J., Ward, J., Stansfield, C., Mytton, O., Bonell, C., Booy, R., 2020. School closure and management practices during coronavirus outbreaks including COVID-19: a rapid systematic review. Lancet Child Adolesc. Health 4, 397–404. https://doi.org/10.1016/S2352-4642(20)30095-X

Visseaux, B., Burdet, C., Voiriot, G., Lescure, F.-X., Chougar, T., Brugière, O., Crestani, B., Casalino, E., Charpentier, C., Descamps, D., Timsit, J.-F., Yazdanpanah, Y., Houhou-Fidouh, N., 2017. Prevalence of respiratory viruses among adults, by season, age, respiratory tract region and type of medical unit in Paris, France, from 2011 to 2016. PLoS ONE 12. https://doi.org/10.1371/journal.pone.0180888

World Bank Open Data | Data [WWW Document], n.d. URL https://data.worldbank.org/ (accessed 5.2.20).

Yao, Y., Pan, J., Liu, Z., Meng, X., Wang, Weidong, Kan, H., Wang, Weibing, 2020. No Association of COVID-19 transmission with temperature or UV radiation in Chinese cities. Eur. Respir. J. https://doi.org/10.1183/13993003.00517-2020

Zhou, F., Yu, T., Du, R., Fan, G., Liu, Y., Liu, Z., Xiang, J., Wang, Y., Song, B., Gu, X., Guan, L., Wei, Y., Li, H., Wu, X., Xu, J., Tu, S., Zhang, Y., Chen, H., Cao, B., 2020. Clinical course and risk factors for mortality of adult inpatients with COVID-19 in Wuhan, China: a retrospective cohort study. The Lancet 395, 1054–1062. https://doi.org/10.1016/S0140-6736(20)30566-3

Zhu, Y., Xie, J., Huang, F., Cao, L., 2020. Association between short-term exposure to air pollution and COVID-19 infection: Evidence from China. Sci. Total Environ. 727, 138704. https://doi.org/10.1016/j.scitotenv.2020.138704

3 pensées sur “Analyse écologique du COVID-19 : étude des déterminants socio-économiques et environnementaux associés à la transmission du SRAS-CoV-2 au niveau mondial

    • 7 mai 2020 à 14 h 45 min
      Permalink

      Bonjour,
      Merci pour cette question. En effet, je suis d’accord. Après on ne peut pas vraiment comparer ce que j’ai fait, ici, c’est une étude sur des populations et avec un “proxy” qui reflète le trafic aérien : le nombre de passagers enregistrés dans les aéroports par pays de la Bande Mondiale.

      Dans l’étude de Science, ils ont utilisé un modèle de méta-population qui prend en compte les variations/déplacements individuels. Ils ont également utilisé des données de Janvier 2020 pour calculer leurs 3 indices “inflow index, outflow index, andintra-city index” (détaillés dans le supplémentary material) https://science.sciencemag.org/content/sci/suppl/2020/03/05/science.aba9757.DC1/aba9757_Chinazzi_SM.pdf

      De plus dans mon modèle, je n’ai pas pu inclure un nombre important de variables comme je n’ai que 96 observations. Et chaque estimation de paramètres dans un modèle “coûte” des observations en stats. Je n’ai pas pris en compte les 1ère mesures de distanciation sociale (j’en ai quelques unes mais ça prend du temps à récupérer sur plusieurs pays).

      Je pense que les études ne sont pas comparables parce que le design est différent, les paramètres étudiés sont différents, ainsi que les données prises en compte (pas les mêmes dates, pas de même nature…). Cela dit, je ferai plus confiance à l’étude de Science qui porte sur la Chine qu’à la mienne, qui n’a pas été “peer-reviewée” et très loin du niveau de Science 😉

      Bien à vous

      Répondre

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée.