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: 0.336
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