Hoe Trump-rally's de verspreiding van COVID-19 beïnvloedden: Een analyse van de effecten

De effecten van evenementen met een "superspreader" karakter kunnen na verloop van tijd exponentieel toenemen. In ons onderzoek werd gekeken naar de invloed van de rally’s van voormalig president Donald Trump op de verspreiding van COVID-19, en de bevindingen van ons onderzoek worden bevestigd door ander werk op dit gebied. Zo concludeerde een eerdere studie dat “de Trump-rally’s vaak gevolgd worden door een toename van de gemeenschappelijke verspreiding van het coronavirus”. Deze bevindingen worden verder ondersteund door andere studies, zoals die van Nayer (2020), waarin vergelijkbare conclusies getrokken worden. Het onderzoek werd georganiseerd in verschillende secties: sectie 2 beschrijft de gebruikte data, sectie 3 legt de methoden uit en presenteert de belangrijkste resultaten, sectie 4 behandelt aanvullende analyses van zwaar getroffen regio’s, en sectie 5 biedt een conclusie.

Het onderzoek richtte zich op rally’s die plaatsvonden tussen 20 juni en 22 september 2020. Een beperking in de keuze van de datums was dat de effecten van een evenement mogelijk substantieel groeien naarmate infecties zich verspreiden, waardoor ten minste vier weken na een evenement noodzakelijk waren om het effect adequaat te meten. De rally’s die na deze datum plaatsvonden, werden buiten beschouwing gelaten om twee redenen. Ten eerste kan het effect van een evenement in de loop van de tijd toenemen, wat de nauwkeurigheid van de resultaten zou kunnen beïnvloeden. Ten tweede was er aanwijzing dat de naleving van gezondheidsrichtlijnen, zoals het dragen van mondmaskers, verbeterde bij latere rally’s. Hoewel het van belang zou zijn om de vermindering van de effecten van de rally's te onderzoeken, ontbrak het op dat moment aan voldoende gegevens over de naleving van de richtlijnen.

De lijst van rally’s werd verkregen uit een regelmatig bijgewerkte Wikipedia-pagina, gebaseerd op lokale en nationale nieuwsrapporten. De datum en locatie van de rally’s werden geverifieerd door lokale nieuwsbronnen, en het type locatie (binnen of buiten) werd ook geregistreerd op basis van nieuwsverslagen.

Daarnaast werden gegevens over COVID-19 afkomstig uit de COVID-19 Data Repository van de Johns Hopkins University gebruikt. Deze repository bevat gegevens over bevestigde gevallen en sterfgevallen, verzameld van de CDC en lokale overheden in de VS. De frequentie van de gegevens is dagelijks, maar voor de analyse werd gebruikgemaakt van wekelijkse gegevensreeksen om de ruis te verminderen. Dit werd gedaan door het verschil tussen de dagelijkse gegevens te berekenen om nieuwe gevallen en sterfgevallen per week te verkrijgen.

Een belangrijk aspect van dit onderzoek is dat de effecten van de rally’s afhankelijk zijn van verschillende factoren. Het type rally (binnen of buiten), de infectiegraad onder aanwezigen, de mate van virusverspreiding tijdens het evenement, de aanwezigheid van maskers en sociale afstand, de grootte van de rally en de voorzorgsmaatregelen na het evenement spelen allemaal een rol in de uiteindelijke verspreiding van het virus. Bovendien is het van belang te realiseren dat superspreading waarschijnlijk optreedt wanneer specifieke omstandigheden zich voordoen, wat betekent dat de verspreiding van het virus in sommige gevallen een buitengewoon hoge snelheid kan hebben.

Om de effecten van deze rally’s te meten, werd een benadering ontwikkeld die het mogelijk maakte om de heterogeniteit van de effecten te verwerken. Elke rally werd apart geanalyseerd, waarbij “vergelijkbare” regio’s werden geselecteerd op basis van objectieve criteria. De relatie tussen post-evenement resultaten en kenmerken van de regio, zoals de aanwezigheid van COVID-19, demografische factoren en beleidsmaatregelen, werd vervolgens geëvalueerd. Door deze relatie te gebruiken, konden de verwachte resultaten voor de rally-locaties worden voorspeld. Het verschil tussen de werkelijke uitkomst en de voorspelling gaf de geschatte effectgrootte van het evenement weer.

Bij de analyse werden ook placebo-evenementen gebruikt om te controleren of de gemeten effecten mogelijk toe te schrijven waren aan trends die al voor het evenement bestonden. Een placebo-evenement was een evenement dat 10 weken vóór de werkelijke rally plaatsvond. Dit hielp om valse resultaten die niet direct aan de rally gekoppeld konden worden, uit te sluiten.

Naast de specifieke rally-informatie werden ook gegevens over tests, beleidsmaatregelen met betrekking tot COVID-19 en demografische gegevens op het niveau van counties gebruikt. In sommige gevallen werd aanvullende informatie over politieke en sociaaleconomische factoren toegevoegd om een gedetailleerder beeld te verkrijgen van de omgeving waarin de rally plaatsvond en de gevolgen ervan.

Het is essentieel te begrijpen dat de verspreiding van COVID-19 afhankelijk is van talrijke factoren die buiten de rally’s zelf liggen. Regionale beleidsmaatregelen, de aanwezigheid van reeds bestaande gezondheidsrisico’s in een gemeenschap, en zelfs het sociaal-economische profiel van de deelnemers aan de rally spelen allemaal een belangrijke rol in het uiteindelijke effect op de verspreiding van het virus. Een rally kan in bepaalde gevallen direct bijdragen aan de verspreiding van het virus, maar de omvang van de impact zal vaak variëren op basis van de specifieke omstandigheden in de regio. Het is ook van belang om te realiseren dat het effect van dergelijke evenementen zich mogelijk pas na verloop van tijd volledig manifesteert, wat de noodzaak benadrukt voor langere periodes van monitoring en gegevensverzameling.

Het is eveneens belangrijk te erkennen dat de virale verspreiding niet in isolatie moet worden bekeken. Er moet altijd rekening worden gehouden met een breder scala aan factoren zoals het testbeleid, de regionale implementatie van gezondheidsmaatregelen, en zelfs de demografische samenstelling van een gemeenschap. Het lijkt noodzakelijk dat toekomstige analyses van vergelijkbare evenementen ook de interactie tussen deze verschillende factoren nauwkeuriger in kaart brengen om zo een completer beeld van de dynamiek van virale verspreiding te verkrijgen.

Hoe de Pre-Evenement Trajecten van COVID-19 Gevallen Vergelijken en Beïnvloeden: Een Diepgaande Analyse van County Matches

Elke gebeurtenis (i, t) ∈ E∪P wordt gekoppeld aan een set Sit, die de counties bevat met de M kleinste waarden van sijt, waarbij j ∈ T wordt uitgesloten. Met andere woorden, Sit bestaat uit de M counties die het meest vergelijkbaar zijn met county i in week t volgens de gekozen gelijkenheidsindex. In onze empirische analyse onderzoeken we M ∈ {100, 200}. De gematchte steekproeven met M = 100 vertegenwoordigen ongeveer 3,2% van alle counties, en die met M = 200 vertegenwoordigen ongeveer 6,4% van alle counties. We verkennen de robuustheid van onze bevindingen met verschillende maatstaven voor gelijkenis. De belangrijkste dimensie van vergelijkbaarheid is het pre-evenement traject van COVID-19 gevallen.

We definiëren de volgende klasse van gelijkenheidsindexen: ∑L sρijt = ρk−1 2 (yi,t−k − yj,t−k) voor k = 1. In het speciale geval van ρ = 1 is deze index het (kwadraat van) de Euclidische afstand tussen (yi,t−1, ..., yi,t−L) en (yj,t−1, ..., yj,t−L). Voor ρ < 1 weegt men de meer recente uitkomsten zwaarder. We verkennen robuustheid met betrekking tot de volgende waarden: ρ ∈ {0.25, 0.5, 0.75, 0.9, 1} en L ∈ {5, 10}. We onderzoeken ook de impact van het opnemen van aanvullende dimensies van vergelijkbaarheid. Stel dat we ervoor willen zorgen dat de vergelijkbaarheid over een set van variabelen (x1it, ..., xRit) gewaarborgd is. Deze variabelen kunnen vaste demografische kenmerken zoals de onderwijscompositie van de bevolking weerspiegelen, of ze kunnen variabele kenmerken zijn. Bijvoorbeeld, we zouden xrit = yi,t−r kunnen hebben, in welk geval de matchingvariabelen gewoon de eerste r vertragingen van nieuwe gevallen zouden zijn, zoals eerder genoemd.

Onze algemene strategie is het toepassen van gelijkenheidsindexen in de vorm ∑R 2 sijt = αrit (xrit − xrjt) , r = 1, waarbij de αrit gewichten zijn. We construeren de gewichten als volgt: αrit = (xrit − x2rjt) / j∈N\T. Intuïtief is deze index een gewogen gemiddelde van de gekwadrateerde discrepanties, waarbij het gewicht voor de gekwadrateerde discrepantie in elke matchingvariabele omgekeerd evenredig is met de steekproefvariantie van die variabele over alle counties (behalve de event counties). Dit hecht dus evenveel belang aan een discrepantie van één standaarddeviatie tussen counties i en j voor elke matchingvariabele.

Omdat de counties in Sit geen perfecte matches zijn voor county i op tijd t, schatten we regressies om voor hun verschillen te corrigeren. Specifiek, voor elke gebeurtenis (i, t) ∈ T ∪ P en de gematchte set Sit, gebruiken we counties in Sit om een OLS-regressie te schatten die een uitkomstvariabele relateert aan een verzameling van voorspellers. Voor de uitkomst van county j gebruiken we het totale aantal nieuwe gevallen na het evenement of placebo-evenement (i, t) binnen een uitkomstvenster, t tot t + wit: ∑wit Yijt = yj,t+w. Voor de daadwerkelijke gebeurtenissen is de duur van het uitkomstvenster (wit) gelijk aan het aantal weken waarvoor we gegevens hebben, afgekapt op 10 weken. Voor de placebo-evenementen stellen we wit = 10, zodat Yjt het totale aantal nieuwe gevallen in de tien weken tussen het placebo-evenement en het daadwerkelijke evenement meet.

Potentiële voorspellers kunnen onder andere het aantal nieuwe COVID-19 gevallen in perioden t−k voor k > 0, nieuwe COVID-19 sterfgevallen in perioden t−k voor k > 0, indicatoren voor beperkende beleidsmaatregelen (zoals mondkapjesmandaten en shelter-in-place-mandaten) in perioden t−k voor k > 0, en demografische gegevens zoals bevolking, percentage vrouwen, percentage ouderen van 65 jaar en ouder, percentage jongeren van 29 jaar en jonger, procenten van verschillende etnische groepen, de stemmenaandelen van Trump en Clinton in 2016, en sociaal-economische factoren zoals inkomensniveau en werkloosheid, omvatten. Het uitvoeren van OLS-regressies met 100 of 200 waarnemingen en een dergelijke grote verzameling voorspellers kan problematisch zijn vanuit het perspectief van overfitting. Daarom gebruiken we de week t-gegevens voor alle counties in N \ T om LASSO-regressies te schatten die Yijt relateren aan de volledige set van voorspellers. We passen de strafparameter aan totdat LASSO 10 voorspellers selecteert, en totdat het 20 voorspellers selecteert.

Na het uitvoeren van regressies voor zowel daadwerkelijke als placebo-evenementen, berekenen we de geschatte gemiddelde behandelingseffecten (ATE). De gemiddelde behandelingseffecten voor de daadwerkelijke gebeurtenissen liggen aanzienlijk hoger dan die voor de placebo-evenementen, wat suggereert dat de effecten van de onderzochte maatregelen realistisch zijn. De schatting van de gemiddelde behandelingseffecten wordt gewogen op basis van de precisie van de voorspellingen, zoals gebruikelijk is in de literatuur.

Bij het analyseren van de resultaten zien we dat de invloed van de maatregelen en de effectiviteit van het beleid sterk afhangen van de gekozen demografische en epidemiologische variabelen. Deze moeten zorgvuldig worden geselecteerd, aangezien ze de vergelijkbaarheid van de county’s beïnvloeden. Vooral de voorbestaande COVID-19 trends in verschillende counties spelen een cruciale rol in het verklaren van de effecten van restrictieve beleidsmaatregelen en de verspreiding van het virus.

Het is essentieel om te begrijpen dat de gekozen gelijkenheidsindexen en de regressieanalyse niet alleen maar een eenvoudige vergelijking van trends zijn. De variabelen die we meenemen in de regressie hebben een diepgaande invloed op de mate van bias die we kunnen verwachten in de geschatte behandelingseffecten. De resultaten moeten zorgvuldig worden geïnterpreteerd, gezien de complexe interacties tussen de gekozen variabelen en de externe invloeden die de verspreiding van COVID-19 beïnvloeden. De nauwkeurigheid van de voorspellingen hangt sterk af van de keuzes die in de matchingprocedure worden gemaakt, en enige misselectie kan de effectiviteit van beleidsmaatregelen verkeerd inschatten.

Wat waren de effecten van Trump-rally's op COVID-19-gevallen en sterfgevallen?

In de huidige discussie over de impact van massale bijeenkomsten zoals de rally's van Donald Trump tijdens de COVID-19-pandemie, zijn de resultaten van statistische analyses cruciaal voor het begrijpen van de bredere effecten. De bevindingen van dergelijke analyses suggereren een aanzienlijk effect op het aantal bevestigde gevallen van COVID-19, evenals een verwachte toename van het aantal sterfgevallen als gevolg van deze evenementen. Door verschillende variaties van het basisberekeningsmodel te analyseren, wordt een consistent patroon zichtbaar: rally's leidden tot meer dan 30.000 extra COVID-19-gevallen, wat waarschijnlijk resulteerde in meer dan 700 sterfgevallen.

De gebruikte methodologieën om deze effecten te berekenen zijn gebaseerd op gedetailleerde vergelijkingen tussen behandelde en controlegroepen van provincies, met behulp van algoritmes die rekening houden met het aantal nieuwe gevallen van COVID-19 per 100.000 inwoners. De geselecteerde provincies werden gematcht op basis van zowel demografische kenmerken als recente trends in het aantal gevallen, wat resulteerde in een robuuste schatting van de effecten van de rally's.

Een van de opvallende resultaten uit de gegevensanalyse is het ontbreken van een significant placebo-effect. Bij alle varianten van de gebruikte methoden kon de null-hypothese van geen effect met 95% vertrouwen worden verworpen, wat aangeeft dat de toename van COVID-19-gevallen en sterfgevallen duidelijk werd veroorzaakt door de rally's en niet door toevallige factoren of door een verhoogde testactiviteit zonder daadwerkelijke toename in gevallen. In de praktijk betekent dit dat, ondanks het feit dat er een zekere toename in de testcapaciteit was in de weken na de rally's, deze verandering niet volledig verantwoordelijk kan worden gesteld voor de stijging van het aantal bevestigde gevallen.

In die zin blijkt dat, hoewel er een verhoogde testcapaciteit was in verschillende provincies na de rally's, de stijging van de positiviteitspercentages in deze regio's de conclusie ondersteunt dat de rally's daadwerkelijk een effect hadden op de verspreiding van het virus. De gegevens uit twee belangrijke provincies, Winnebago en Marathon in Wisconsin, illustreren dit punt duidelijk. De toename van het aantal gevallen in deze provincies, ondanks de toename van het aantal tests, laat zien dat de rally's een directe rol speelden in de versnelde verspreiding van het virus.

Belangrijk is dat de sterftecijfers die aan de toename van het aantal gevallen werden gekoppeld, zijn berekend door het aantal extra gevallen te vermenigvuldigen met de sterftecijfers per provincie. Dit resulteerde in een raming van het aantal extra sterfgevallen als gevolg van de rally's. Hoewel er enige bezorgdheid kan zijn over de nauwkeurigheid van deze schattingen, aangezien de sterftecijfers mogelijk variëren voor verschillende cohortgroepen, blijft de algemene conclusie dat de rally's een significante rol speelden in de toename van gevallen en sterfgevallen.

De methodologie, die gebruik maakt van verschillende demografische variabelen en het vergelijken van behandelde en niet-behandelde provincies, benadrukt het belang van nauwkeurige gegevensverzameling en het correct toepassen van statistische technieken. De resultaten zijn robuust tegen verschillende variaties van het model en suggereren dat de rally's een duidelijke invloed hadden op de COVID-19-cijfers, zelfs wanneer verschillende aannames over testgedrag en demografische factoren werden getest.

Naast het aantal gevallen en sterfgevallen is het ook van belang om de bredere sociale en economische gevolgen van dergelijke evenementen in overweging te nemen. De toename van COVID-19-gevallen en sterfgevallen kan niet alleen de gezondheidssystemen onder druk zetten, maar ook leiden tot langdurige economische en maatschappelijke verstoringen, vooral in de regio's die het zwaarst getroffen zijn.

Hoewel de analyse zich voornamelijk richt op de effecten van Trump-rally's, is het belangrijk te erkennen dat massale bijeenkomsten in bredere zin een soortgelijke impact kunnen hebben op de verspreiding van COVID-19, vooral wanneer veiligheidsmaatregelen niet strikt worden nageleefd. De bevindingen benadrukken het belang van het vermijden van grootschalige evenementen, vooral in tijden van pandemieën, en onderstrepen de verantwoordelijkheid van zowel organisatoren als deelnemers om de volksgezondheid te beschermen.