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: 0.825
Model: OLS Adj. R-squared: 0.825
Method: Least Squares F-statistic: 1253.
Date: Sun, 19 Sep 2021 Prob (F-statistic): 1.91e-102
Time: 17:16:46 Log-Likelihood: 1488.5
No. Observations: 267 AIC: -2973.
Df Residuals: 265 BIC: -2966.
Df Model: 1
Covariance Type: nonrobust
coef std err t P>|t| [0.025 0.975]
Intercept 0.0288 8.42e-05 342.121 0.000 0.029 0.029
np.log(prima_dose) -0.0012 3.36e-05 -35.402 0.000 -0.001 -0.001
Omnibus: 57.859 Durbin-Watson: 0.014
Prob(Omnibus): 0.000 Jarque-Bera (JB): 185.973
Skew: -0.905 Prob(JB): 4.14e-41
Kurtosis: 6.666 Cond. No. 4.10


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: 0.769
Model: OLS Adj. R-squared: 0.768
Method: Least Squares F-statistic: 813.2
Date: Sun, 19 Sep 2021 Prob (F-statistic): 1.20e-79
Time: 17:16:47 Log-Likelihood: 1364.6
No. Observations: 246 AIC: -2725.
Df Residuals: 244 BIC: -2718.
Df Model: 1
Covariance Type: nonrobust
coef std err t P>|t| [0.025 0.975]
Intercept 0.0284 0.000 279.727 0.000 0.028 0.029
np.log(seconda_dose) -0.0010 3.67e-05 -28.517 0.000 -0.001 -0.001
Omnibus: 16.686 Durbin-Watson: 0.018
Prob(Omnibus): 0.000 Jarque-Bera (JB): 44.983
Skew: 0.174 Prob(JB): 1.71e-10
Kurtosis: 5.066 Cond. No. 5.05


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: 0.700
Model: OLS Adj. R-squared: 0.699
Method: Least Squares F-statistic: 618.0
Date: Sun, 19 Sep 2021 Prob (F-statistic): 3.23e-71
Time: 17:16:48 Log-Likelihood: 1001.8
No. Observations: 267 AIC: -2000.
Df Residuals: 265 BIC: -1992.
Df Model: 1
Covariance Type: nonrobust
coef std err t P>|t| [0.025 0.975]
Intercept 0.0529 0.001 95.167 0.000 0.052 0.054
prima_dose -0.0331 0.001 -24.859 0.000 -0.036 -0.030
Omnibus: 29.514 Durbin-Watson: 0.031
Prob(Omnibus): 0.000 Jarque-Bera (JB): 9.808
Skew: 0.157 Prob(JB): 0.00742
Kurtosis: 2.115 Cond. No. 4.25


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: 0.624
Model: OLS Adj. R-squared: 0.622
Method: Least Squares F-statistic: 404.6
Date: Sun, 19 Sep 2021 Prob (F-statistic): 1.01e-53
Time: 17:16:49 Log-Likelihood: 886.21
No. Observations: 246 AIC: -1768.
Df Residuals: 244 BIC: -1761.
Df Model: 1
Covariance Type: nonrobust
coef std err t P>|t| [0.025 0.975]
Intercept 0.0510 0.001 82.148 0.000 0.050 0.052
seconda_dose -0.0392 0.002 -20.116 0.000 -0.043 -0.035
Omnibus: 2.910 Durbin-Watson: 0.024
Prob(Omnibus): 0.233 Jarque-Bera (JB): 2.418
Skew: -0.128 Prob(JB): 0.298
Kurtosis: 2.587 Cond. No. 4.88


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: 0.438
Model: OLS Adj. R-squared: 0.436
Method: Least Squares F-statistic: 206.7
Date: Sun, 19 Sep 2021 Prob (F-statistic): 4.87e-35
Time: 17:16:50 Log-Likelihood: 1513.3
No. Observations: 267 AIC: -3023.
Df Residuals: 265 BIC: -3015.
Df Model: 1
Covariance Type: nonrobust
coef std err t P>|t| [0.025 0.975]
Intercept 0.0057 8.19e-05 69.840 0.000 0.006 0.006
prima_dose -0.0028 0.000 -14.377 0.000 -0.003 -0.002
Omnibus: 96.789 Durbin-Watson: 0.023
Prob(Omnibus): 0.000 Jarque-Bera (JB): 14.414
Skew: 0.004 Prob(JB): 0.000741
Kurtosis: 1.862 Cond. No. 4.25


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: 0.577
Model: OLS Adj. R-squared: 0.575
Method: Least Squares F-statistic: 332.5
Date: Sun, 19 Sep 2021 Prob (F-statistic): 1.85e-47
Time: 17:16:51 Log-Likelihood: 1419.8
No. Observations: 246 AIC: -2836.
Df Residuals: 244 BIC: -2829.
Df Model: 1
Covariance Type: nonrobust
coef std err t P>|t| [0.025 0.975]
Intercept 0.0058 7.1e-05 81.323 0.000 0.006 0.006
seconda_dose -0.0041 0.000 -18.236 0.000 -0.004 -0.004
Omnibus: 47.290 Durbin-Watson: 0.030
Prob(Omnibus): 0.000 Jarque-Bera (JB): 10.852
Skew: 0.085 Prob(JB): 0.00440
Kurtosis: 1.985 Cond. No. 4.88


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 Sun Sep 19 15:19:06 2021 revision 14, eef9d800