COVID-19 Data Analysis

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: 0.524
Model: OLS Adj. R-squared: 0.523
Method: Least Squares F-statistic: 426.9
Date: Fri, 21 Jan 2022 Prob (F-statistic): 1.67e-64
Time: 18:01:48 Log-Likelihood: 1774.9
No. Observations: 390 AIC: -3546.
Df Residuals: 388 BIC: -3538.
Df Model: 1
Covariance Type: nonrobust
coef std err t P>|t| [0.025 0.975]
Intercept 0.0270 0.000 157.490 0.000 0.027 0.027
np.log(prima_dose) -0.0017 8.25e-05 -20.662 0.000 -0.002 -0.002
Omnibus: 249.296 Durbin-Watson: 0.004
Prob(Omnibus): 0.000 Jarque-Bera (JB): 1650.327
Skew: -2.831 Prob(JB): 0.00
Kurtosis: 11.336 Cond. No. 3.05


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: 0.510
Model: OLS Adj. R-squared: 0.509
Method: Least Squares F-statistic: 382.0
Date: Fri, 21 Jan 2022 Prob (F-statistic): 8.28e-59
Time: 18:01:49 Log-Likelihood: 1689.5
No. Observations: 369 AIC: -3375.
Df Residuals: 367 BIC: -3367.
Df Model: 1
Covariance Type: nonrobust
coef std err t P>|t| [0.025 0.975]
Intercept 0.0265 0.000 144.784 0.000 0.026 0.027
np.log(seconda_dose) -0.0016 8.08e-05 -19.544 0.000 -0.002 -0.001
Omnibus: 234.925 Durbin-Watson: 0.005
Prob(Omnibus): 0.000 Jarque-Bera (JB): 1534.849
Skew: -2.800 Prob(JB): 0.00
Kurtosis: 11.274 Cond. No. 3.53


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: 0.630
Model: OLS Adj. R-squared: 0.629
Method: Least Squares F-statistic: 660.3
Date: Fri, 21 Jan 2022 Prob (F-statistic): 9.30e-86
Time: 18:01:50 Log-Likelihood: 1363.9
No. Observations: 390 AIC: -2724.
Df Residuals: 388 BIC: -2716.
Df Model: 1
Covariance Type: nonrobust
coef std err t P>|t| [0.025 0.975]
Intercept 0.0529 0.001 76.924 0.000 0.052 0.054
prima_dose -0.0320 0.001 -25.696 0.000 -0.034 -0.030
Omnibus: 18.364 Durbin-Watson: 0.015
Prob(Omnibus): 0.000 Jarque-Bera (JB): 20.187
Skew: -0.555 Prob(JB): 4.13e-05
Kurtosis: 2.903 Cond. No. 4.13


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: 0.568
Model: OLS Adj. R-squared: 0.566
Method: Least Squares F-statistic: 481.7
Date: Fri, 21 Jan 2022 Prob (F-statistic): 8.49e-69
Time: 18:01:51 Log-Likelihood: 1255.5
No. Observations: 369 AIC: -2507.
Df Residuals: 367 BIC: -2499.
Df Model: 1
Covariance Type: nonrobust
coef std err t P>|t| [0.025 0.975]
Intercept 0.0503 0.001 70.391 0.000 0.049 0.052
seconda_dose -0.0324 0.001 -21.948 0.000 -0.035 -0.029
Omnibus: 24.990 Durbin-Watson: 0.013
Prob(Omnibus): 0.000 Jarque-Bera (JB): 21.133
Skew: -0.505 Prob(JB): 2.58e-05
Kurtosis: 2.406 Cond. No. 4.08


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: 0.463
Model: OLS Adj. R-squared: 0.462
Method: Least Squares F-statistic: 334.9
Date: Fri, 21 Jan 2022 Prob (F-statistic): 2.22e-54
Time: 18:01:52 Log-Likelihood: 2137.1
No. Observations: 390 AIC: -4270.
Df Residuals: 388 BIC: -4262.
Df Model: 1
Covariance Type: nonrobust
coef std err t P>|t| [0.025 0.975]
Intercept 0.0058 9.47e-05 61.197 0.000 0.006 0.006
prima_dose -0.0031 0.000 -18.300 0.000 -0.003 -0.003
Omnibus: 22.845 Durbin-Watson: 0.013
Prob(Omnibus): 0.000 Jarque-Bera (JB): 25.356
Skew: -0.609 Prob(JB): 3.12e-06
Kurtosis: 2.724 Cond. No. 4.13


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: 0.526
Model: OLS Adj. R-squared: 0.525
Method: Least Squares F-statistic: 408.0
Date: Fri, 21 Jan 2022 Prob (F-statistic): 1.54e-61
Time: 18:01:53 Log-Likelihood: 2035.1
No. Observations: 369 AIC: -4066.
Df Residuals: 367 BIC: -4058.
Df Model: 1
Covariance Type: nonrobust
coef std err t P>|t| [0.025 0.975]
Intercept 0.0057 8.64e-05 66.425 0.000 0.006 0.006
seconda_dose -0.0036 0.000 -20.199 0.000 -0.004 -0.003
Omnibus: 16.051 Durbin-Watson: 0.015
Prob(Omnibus): 0.000 Jarque-Bera (JB): 16.054
Skew: -0.472 Prob(JB): 0.000327
Kurtosis: 2.609 Cond. No. 4.08


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 Fri Jan 21 17:04:19 2022 revision 152, b0b60ea8