Get best of the week

Fighting Covid-2019: The Great Turn يأتي

الجزء 1. كم من الناس سوف يقتلون الفيروس التاجي؟


منذ كتابة مقالتي الأولى حول توقع وباء الفيروس التاجي ، مر أكثر من أسبوع بقليل ، لكن الكثير تغير.

بادئ ذي بدء ، كانت هناك نقطة تحول في ديناميات الوباء العالمي: بلغ منحنى الوفيات الجديدة ذروته. وهذا يعني أن الفترة الأولى من الوباء العالمي قد انتهت ، عندما ازداد عدد الوفيات الجديدة كل يوم بشكل كبير تقريبًا.

قبل أسبوع ، أود بكل سرور أن أقول إن الوباء الآن سينخفض ​​بسرعة. لكن البيانات الجديدة المتراكمة خلال الأسبوع الماضي بددت هذا التفاؤل. في الواقع ، في بعض البلدان (مثل الصين ، وربما ألمانيا) ، يتم وصف تطور الوباء بمنحنى لوجستي. لكن الدول الأخرى خيبت أملي.

تنبؤ جديد بعدد ضحايا الوباء وصور جميلة تحت الخفض.

دقيقة العناية UFO


تم الإعلان رسمياً عن وباء COVID-19 الوبائي ، وهو عدوى تنفسية حادة حادة محتملة ناجمة عن الفيروس التاجي SARS-CoV-2 (2019-nCoV) ، في العالم. هناك الكثير من المعلومات حول حبري حول هذا الموضوع - تذكر دائمًا أنه يمكن أن يكون موثوقًا / مفيدًا ، والعكس صحيح.

نحثك على انتقاد أي معلومات منشورة.


مصادر رسمية

, .

اغسل يديك ، ورعاية أحبائك ، والبقاء في المنزل كلما أمكن ذلك والعمل عن بعد.

قراءة المنشورات حول: فيروسات التاجية | العمل عن بعد

اتضح أن غموض السكان ، الذي لا يستعجل تنفيذ إجراءات الحجر الصحي التي وضعتها الحكومة ، وكذلك تردد الحكومات في بعض البلدان في إدخال مثل هذه التدابير ، يؤدي إلى تشويه المنحنى اللوجستي.

في البداية ، في الواقع ، يكتسب الوباء زخمًا ، وكل يوم يزداد عدد الوفيات. ثم يصل إلى الحد الأقصى. وبعد ذلك ... تلتزم بهذا الحد الأقصى. هكذا حدث في إيران وإيطاليا.





إذا كنا نتعامل مع منحنى لوجستي ، فبعد الحد الأقصى مباشرة لكان هناك انخفاض. علاوة على ذلك ، إذا اعتبرنا المشتق الأول للمنحنى اللوجستي (منحنى معدل الوفيات اليومي) ، فهو متماثل حول نقطة انحرافه. هذا يعني أن حدة الجانب الأيسر من ذروة المنحنى ستكون مساوية لوحدة المنحنى عند نقطة بداية الارتفاع ، كما هو موضح في الشكل أدناه.

لسوء الحظ ، فإن الأمر ليس كذلك في العديد من البلدان. الجزء العلوي من المنحنى مسطح ، ويختلف تمامًا عن البداية الحادة للمنحنى. اعتمادًا على مدة عزل السكان ، يزداد طول الجزء المسطح من منحنى الوفيات اليومية.

إذا نظرت إلى منحنى إجمالي الوفيات ، فإنه لم يعد يبدو مثل المنطق اللوجستي. كان الأمر كما لو أنه تم قطع منحنى لوجستي إلى النصف وتم إدخال خط مستقيم مائل فيما يتعلق بالأفق بين نصفيها. في هذه المنطقة ، يزداد العدد اليومي للوفيات بنفس المقدار تقريباً. انظر مرة أخرى إلى حالة إيران وإيطاليا.





وهنا منحنى الوفيات اليومية حول العالم. ذهبت فقط إلى أقصى حد لها. لسوء الحظ ، ليس من السهل توقع المدة التي سيبقى فيها المنحنى في المنطقة القصوى قبل أن يبدأ انخفاض عدد الوفيات. ومع ذلك ، استنادًا إلى اعتبارات عامة ، يجب على المرء أن يعتقد أنه نظرًا للعدد الكبير من البلدان التي لديها إجراءات الحجر الصحي التي تحدد خصائص السكان ، فإن الجزء العلوي من الجدول العالمي للوباء سيتبقى ثابتًا أيضًا.





في المقالة الأخيرة ، ذكرنا الخيار المعروض علينا: تطوير إجراء لن يعطي فقط أكثر التوقعات المحتملة لعدد الوفيات ، ولكن أيضًا توقع الخطأ. أي أننا بحاجة إلى توقعات متفائلة للقتلى (بحيث يكون العدد النهائي للقتلى أكبر من هذه التوقعات) ، بالإضافة إلى توقعات متشائمة (تتجاوز العدد النهائي للقتلى).

خلال الأسبوع الماضي ، واجهنا مهمة أخرى: وصف ديناميكيات الوفيات مع الأخذ في الاعتبار التأثير العلوي المسطح ، عندما لم يعد من الممكن استخدام المنحنى اللوجستي الكلاسيكي للتنبؤ.

كان المؤلف قادرًا على حل كلتا المشكلتين بنجاح ، وتطوير تقنية التنبؤ التي تسمح للمرء بحساب خطأ التنبؤ ، وكذلك مراعاة التأثير المسطح.

لسوء الحظ ، في الوقت الحاضر ليس لدى المؤلف الوقت الكافي للمؤلف لوصف نموذج التنبؤ الذي تم إنشاؤه بالكامل. لذلك ، في الجزء الأول سنقدم التوقعات الموعودة للعالم ككل وبالنسبة لبعض البلدان بشكل منفصل ، وفي الأجزاء التالية من هذه المقالة سوف أصف كيفية تلقي هذه التوقعات وكيف يمكن للقراء تكرار التنبؤ في Python.

هنا هي التوقعات الموعودة. أخطط لتحديثه مرة واحدة في الأسبوع على الأقل ، باستخدام بيانات جديدة. لكني سأحتفظ بالتنبؤات السابقة من أجل توضيح ديناميكيات النمذجة.



بالمناسبة ، سألوني لماذا لم أستخدم Excel للتنبؤ؟ أجيب: يحتوي Excel على آليات مضمنة تسمح لك بالعثور على المعلمات التي تتوافق مع الحد الأدنى من الوظيفة التعسفية. على الرغم من أن 99 ٪ من المستخدمين ، فإن هذه الآليات غير معروفة ، واستخدامها ليس تافهًا تمامًا. هذا هو المستوى الذي تم تحقيقه في المقالة السابقة.

ولكن في الأجزاء التالية من هذه المقالة ، سنجري نمذجة محاكاة ، عندما ننفذ لكل إجراء من البلدان إجراءً مشابهًا عدة آلاف من المرات ، بطريقة معينة تغيير مجموعة البيانات الإحصائية الواردة. ت. محاكاة التمهيد.

ليس لدى المؤلف أي فكرة عن كيفية إجراء مثل هذه المحاكاة في Excel دون استخدام VisualBasic. في نفس الوقت ، في Python ، يتم الانتقال من البحث عن وظيفة كحد أدنى في حالة واحدة إلى البحث في عدة آلاف من الحالات عن طريق كتابة عدة أسطر من التعليمات البرمجية. سأعرض هذه الحيلة في الجزء الثالث من هذه المقالة.

قريبا سيكون هناك رابط للجزء 2 من هذه المقالة.

More articles:


All Articles