COVID-19 Data Analysis

• Home
• Italia
• Nazioni
• Continenti
• Links

Vaccini e Ospedalizzazione

Correlazione tra percentuale di vaccinati e ospedalizzazioni.

Max Pierini

NB: questo articolo è un progetto aperto e ancora in fase di revisione e completamento. Per proposte di collaborazione, scrivere a info@epidata.it

---

Si definiscono

• tasso di letalità il rapporto tra casi totali e decessi totali
• tasso di ospedalizzazione il rapporto tra ricoveri totali attuali e infetti attuali (*)
• tasso di terapie intensive il rapporto tra ricoveri attuali in terapia intensiva e infetti attuali (*)

(*) gli infetti attuali comprendono: ricoveri ordinari, ricoveri in terapia intensiva (che nell'insieme definiscono i ricoveri totali) e isolamenti domiciliari

PS: per correlazione tra percentuale di vaccinati e tasso di letalità istantaneo si veda Vaccini e wiCFR

Si presenta un'analisi di correlazione tra percentuale di vaccinati sulla popolazione totale in Italia e i tassi di letalità, ospedalizzazione e terapie intensive da Gennaio 2021 a oggi.

NOTA: allo stato attuale, la correlazione tra vaccinati e tasso di letalità sarà trattata logaritmica mentre le correlazione con i tassi di ospedalizzazione saranno trattate lineari. I coefficienti non sono pertanto, al momento attuale, confrontabili tra loro.

Tasso di letalità

Prima dose

OLS Regression Results

Dep. Variable:	tasso_letalità	R-squared:	0.336
Model:	OLS	Adj. R-squared:	0.335
Method:	Least Squares	F-statistic:	277.6
Date:	Thu, 30 Jun 2022	Prob (F-statistic):	1.00e-50
Time:	17:03:46	Log-Likelihood:	1926.7
No. Observations:	550	AIC:	-3849.
Df Residuals:	548	BIC:	-3841.
Df Model:	1
Covariance Type:	nonrobust

	coef	std err	t	P>|t|	[0.025	0.975]
Intercept	0.0202	0.000	52.894	0.000	0.019	0.021
np.log(d1)	-0.0036	0.000	-16.661	0.000	-0.004	-0.003

Omnibus:	844.772	Durbin-Watson:	0.001
Prob(Omnibus):	0.000	Jarque-Bera (JB):	69.356
Skew:	-0.582	Prob(JB):	8.70e-16
Kurtosis:	1.707	Cond. No.	2.45

Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.

Seconda dose

OLS Regression Results

Dep. Variable:	tasso_letalità	R-squared:	0.371
Model:	OLS	Adj. R-squared:	0.370
Method:	Least Squares	F-statistic:	311.3
Date:	Thu, 30 Jun 2022	Prob (F-statistic):	4.29e-55
Time:	17:03:47	Log-Likelihood:	1873.4
No. Observations:	529	AIC:	-3743.
Df Residuals:	527	BIC:	-3734.
Df Model:	1
Covariance Type:	nonrobust

	coef	std err	t	P>|t|	[0.025	0.975]
Intercept	0.0192	0.000	48.926	0.000	0.018	0.020
np.log(d2)	-0.0037	0.000	-17.644	0.000	-0.004	-0.003

Omnibus:	620.515	Durbin-Watson:	0.002
Prob(Omnibus):	0.000	Jarque-Bera (JB):	55.837
Skew:	-0.480	Prob(JB):	7.50e-13
Kurtosis:	1.731	Cond. No.	2.74

Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.

Tasso ospedalizzazione

Prima dose

OLS Regression Results

Dep. Variable:	tasso_ospedalizzazione	R-squared:	0.695
Model:	OLS	Adj. R-squared:	0.695
Method:	Least Squares	F-statistic:	1251.
Date:	Thu, 30 Jun 2022	Prob (F-statistic):	1.55e-143
Time:	17:03:48	Log-Likelihood:	1793.3
No. Observations:	550	AIC:	-3583.
Df Residuals:	548	BIC:	-3574.
Df Model:	1
Covariance Type:	nonrobust

	coef	std err	t	P>|t|	[0.025	0.975]
Intercept	0.0561	0.001	65.897	0.000	0.054	0.058
d1	-0.0468	0.001	-35.363	0.000	-0.049	-0.044

Omnibus:	156.099	Durbin-Watson:	0.007
Prob(Omnibus):	0.000	Jarque-Bera (JB):	49.999
Skew:	0.527	Prob(JB):	1.39e-11
Kurtosis:	1.965	Cond. No.	4.50

Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.

Seconda dose

OLS Regression Results

Dep. Variable:	tasso_ospedalizzazione	R-squared:	0.706
Model:	OLS	Adj. R-squared:	0.706
Method:	Least Squares	F-statistic:	1266.
Date:	Thu, 30 Jun 2022	Prob (F-statistic):	2.94e-142
Time:	17:03:49	Log-Likelihood:	1733.7
No. Observations:	529	AIC:	-3463.
Df Residuals:	527	BIC:	-3455.
Df Model:	1
Covariance Type:	nonrobust

	coef	std err	t	P>|t|	[0.025	0.975]
Intercept	0.0531	0.001	67.272	0.000	0.052	0.055
d2	-0.0477	0.001	-35.587	0.000	-0.050	-0.045

Omnibus:	62.433	Durbin-Watson:	0.007
Prob(Omnibus):	0.000	Jarque-Bera (JB):	56.342
Skew:	0.723	Prob(JB):	5.83e-13
Kurtosis:	2.318	Cond. No.	4.31

Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.

Tasso intensive

Prima dose

OLS Regression Results

Dep. Variable:	tasso_intensive	R-squared:	0.587
Model:	OLS	Adj. R-squared:	0.586
Method:	Least Squares	F-statistic:	778.3
Date:	Thu, 30 Jun 2022	Prob (F-statistic):	2.92e-107
Time:	17:03:50	Log-Likelihood:	2849.7
No. Observations:	550	AIC:	-5695.
Df Residuals:	548	BIC:	-5687.
Df Model:	1
Covariance Type:	nonrobust

	coef	std err	t	P>|t|	[0.025	0.975]
Intercept	0.0063	0.000	50.391	0.000	0.006	0.007
d1	-0.0054	0.000	-27.899	0.000	-0.006	-0.005

Omnibus:	1479.874	Durbin-Watson:	0.005
Prob(Omnibus):	0.000	Jarque-Bera (JB):	49.245
Skew:	0.303	Prob(JB):	2.03e-11
Kurtosis:	1.666	Cond. No.	4.50

Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.

Seconda dose

OLS Regression Results

Dep. Variable:	tasso_intensive	R-squared:	0.669
Model:	OLS	Adj. R-squared:	0.669
Method:	Least Squares	F-statistic:	1067.
Date:	Thu, 30 Jun 2022	Prob (F-statistic):	9.46e-129
Time:	17:03:51	Log-Likelihood:	2793.5
No. Observations:	529	AIC:	-5583.
Df Residuals:	527	BIC:	-5575.
Df Model:	1
Covariance Type:	nonrobust

	coef	std err	t	P>|t|	[0.025	0.975]
Intercept	0.0062	0.000	57.852	0.000	0.006	0.006
d2	-0.0059	0.000	-32.663	0.000	-0.006	-0.006

Omnibus:	70.103	Durbin-Watson:	0.006
Prob(Omnibus):	0.000	Jarque-Bera (JB):	59.682
Skew:	0.737	Prob(JB):	1.10e-13
Kurtosis:	2.267	Cond. No.	4.31

Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.

Risultati

---

© 2020 Max Pierini. Thanks to Sandra Mazzoli & Alessio Pamovio. ipynb-website © 2017 Peter Carbonetto & Gao Wang

Exported from Italia/Vax-H.ipynb committed by maxdevblock on Thu Jun 30 17:06:30 2022 revision 292, b8a1723d