Lockdowns haben keinerlei Effekt auf die Anzahl der COVID-19-Toten [Neue Studie]

Beginnen wir mit dem, was den MS-Journalisten-Darstellern immer so wichtig ist:

Der Beitrag, von dem wir nun berichten, ist  – der ARD-Faktenfinder würde schreiben: in der renommierten Fachzeitschrift “Nature” erschienen. Der Beitrag ist, auch darauf legt die Journallie so großen Wert, PEER REVIEWED. Entsprechend wünschen wir den Faktenfinden, -checkern und all den anderen Anschlägen auf Wissenschaft und Wahrheit guten Appetit beim Verdauen des Brockens, den wir heute servieren.

Am besten, wir steigen mit dem Ergebnis ein:

“In conclusion, using this methodology and current data, in ~98% of the comparisons using 87 different regions of the world we found no evidence that the number of deaths/millions is reduced by staying at home”. Zusammenfassend können wir feststellen, dass auf Basis der von uns genutzten Methodologie und den genutzten Daten in 98% der Paarvergleiche zwischen 87 Regionen weltweit keinerlei Beleg dafür zu finden ist, dass die Anzahl der COVID-19-Toten/Million Einwohner durch Lockdowns reduziert wird.

Anders formuliert: Lockdowns haben keinerlei Einfluss auf die Anzahl der Personen, die an COVID-19 sterben.



Dieses Ergebnis widerspricht allen MODELLEN und genau hieraus ergibt sich der Sprengstoff der Studie, denn während fast alle wissenschaftlichen Arbeiten, die zeigen, dass ein Lockdown und NPI, non-pharmaceutical interventions, also Abstand halten usw. die Infektiosnrate und damit die Anzahl der Toten beeinflussen, auf Modellrechnungen und vielen Annahmen beruhen, beruht die Arbeit von Savaris, Pumi, Dalzochio und Kunst auf AKTUELLEN Daten, auf der Anzahl der an COVID-19-Verstorbenen und auf Bewegungsdaten der Bevölkerung. Das ist eine schwer verdauliche Nuss für alle Lockdown-Enthusiasten, denn die Ergebnisse von Savaris et al. (2021) kann man nicht einfach vom Tisch wischen. Dazu ist die Studie statistisch zu gut, wie sich schon daran zeigt, dass die Autoren all die Probleme, die in Zeitreihenanalysen vorhanden sind, angehen, von Problemen der Autokorrelation und der Heteroskedastizität, zwei Geißeln der linearen Regression, denen in Simulationsstudien gewöhnlich dadurch begegnet wird, dass sie schlicht ignoriert werden. Savaris et al. (2021) ignorieren die entsprechenden Probleme nicht, sie lösen sie, und zwar mit einem Ansatz, der einfach erscheint, es aber in sich hat.

Folgen Sie uns auf TELEGRAM

Wir versuchen das Ganze so weit wie möglich, ohne die Mathematik darzustellen.

Zunächst zu den Daten: Savaris et al. haben Bewegungsdaten von Google, d.h. für die 87 Länder/Regionen, für die sie ihre Untersuchung durchführen, können sie angeben, wie sich die Mobilität der Bewohner der entsprechenden Regionen / Länder im Vergleich zur Zeit vor dem Lockdown verändert hat. Der Beobachtungszeitraum, den die Autoren betrachten, beginnt zum 15. Feburar 2020 und endet zum 21. August 2020, umfasst also die Phase des ersten Lockdowns. Die Bewegungsdaten bringen die Autoren mit den Personen in Verbindung, die offiziell an COVID-19 verstorben sind. Für diejenigen, die sich nicht mehr erinnern: Die Idee hinter dem Lockdown war NICHT Infektionen zu verhindern, sondern die Anzahl derjenigen, die eine Hospitalisierung benötigen und die Anzahl derjenigen, die sterben, zu kontrollieren. Gerade heute, da verantwortungslose Polit-Darsteller und angebliche Virologen wieder Stimmung für einen neuen Lockdown machen, weil die präsentierten FALLZAHLEN steigen, muss man auf diesen Aspekt hinweisen.

Nun verbindet sich mit Daten, die einen Zeitraum abbilden und den Analysen, die man nutzen kann, um diese Zeitreihen zu analysieren, immer ein grundlegendes Problem, das in der Annahme der zeitlichen Invarianz gerunlegender Eigenschaften der Daten, “stationarity”, seinen Ausdruck findet. Zeitreihenanalysen basieren auf der Annahme, dass die Struktur von Mittelwert, Varianz und Autokorrelation (im nicht erklärten Teil) über Zeit konstant bleibt. Simulationsmodelle ignorieren die Probleme, die sich mit der Stationarity verbinden, in der Regel. Savaris et al. ignorieren sie nicht. Sie transformieren die Daten, so dass die Annahme, die allein garantiert, dass die Ergebnisse der Zeitreihenanalyse verlässlich sind, auch eingehalten wird (Für diejenigen, die es interessiert: Die Art und Weise, in der Savaris das tun, stellt mehr oder weniger eine Standardisierung der Daten dar, in dem frührere Zeitpunkte von späteren Zeitpunkten subtrahiert werden und mit dem Ergebnis weitergerechnet wird (DZt = Zt − Zt-1).

Kombiniert man diese Vorgehensweise noch mit einer pfiffigen Idee, dann kommen dabei Ergebnisse heraus, die nicht nur statistischen Methoden Genüge tun, sondern reliabel und valide sind. Die Idee bei Savaris et al. besteht darin, dass stationäre Daten, die wie oben dargestellt, berechnet wurden, dann, wenn sie zwischen Ländern/Regionen im Hinblick auf die Mobilität nach Lockdown und die Anzahl der COVID-19 Toten verglichen werden, Muster ergeben, bei denen weniger Mobilität mit weniger Toten einhergeht, dass sich Länder, die einen Lockdown durchgeführt haben, im Hinblick auf die COVID-19-Toten, die sie berichten, deutlich von den Ländern unterscheiden, die keinen Lockdown durchgeführt haben.

“The rationale we are looking for is the association between two variables: deaths/million and the percentage of people who remained in their residences. Comparison, however, is difficult due to the non-stationary nature of the data. To overcome these problems, we proposed a novel approach to assess the association between staying at home values and the reduction/increase in the number of deaths due to COVID-19 in several regions around the world. If the variation in the difference between the number of deaths/million in two countries, say A and B, and the variation in the difference of the staying at home values between A and B present similar patterns, this is due to an association between the two variables. In contrast, if these patterns are very different, this is evidence that staying at home values and the number of deaths/million are not related (unless, of course, other unaccounted for factors are at play).” 

Die technische Durchführung basiert auf Regressionsanalysen für jeweilige Paarvergleiche von Ländern/Regionen, die auf Basis von Bevölkerungsdichte, Anteil der Stadtbevölkerung, Fläche und Entwicklungsstand mit einander gematched wurden. Insgesamt ergeben sich 3.741 Kombinationen, von denen lediglich 63 (1,6%) einen Unterschied in den berechneten Mustern der Variation der Unterschiede zwischen gepaarten Ländern/Regionen im Hinblick auf die Entwicklung der Mobilität und der Entwicklung der COVID-19-Toten ergeben. Die folgende Abbildung zeigt die signifikanten Unterschiede, die dafür sprechen, dass eine Reduktion in der Mobilität eine Reduzierung der Anzahl der COVID-19-Toten zum Ergebnis hat. Wie man sieht, finden sich kaum Paarvergleiche, die signifikante Unterschiede ergeben (Die Diagonale gibt die Zellen an, die nicht in die Analyse eingegangen sind, weil man etwas nicht mit sich selbst vergleichen kann). In 98,4% der Paarvergleiche hat Mobilität, hat ein Lockdown KEINERLEI Einfluss auf die Entwicklung der COVID-19-Toten.

Savaris et al. (2021).

Um es noch einmal zu wiederholen: Die Ergebnisse basieren nicht auf Annahmen und Versuchen, diese Annahmen zu modellieren, sondern auf tatsächlichen Bewegungsdaten, die angeben, wie sich die Mobilität im Vergleich der Zeit nach einem Lockdown im Vergleich zur vor-Pandemie-Zeit verändert hat. Diese Daten werden mit tatsächlichen Toten in Verbindung gesetzt, nicht mit Fallzahlen, denn Tote geben nicht nur einen Indikator dafür ab, wie viele Menschen offiziell an COVID-19 verstorben sind, sie stellen auch ein Proxy für Hospitalisierung dar und sind zudem ein Proxy für die Schwere der jeweiligen SARS-CoV-2-Epidemie. Dagegen ist nicht wirklich klar, was mit Fallzahlen, also mit positiven Tests eigentlich erhoben wird, außer einer Maßzahl, mit der Politschranzen Hysterie und Panik verbreiten können.

Savaris, R. F., Pumi, G., Dalzochio, J. & Kunst, R. (2021). Stay-at-home Policy is a Case of Exception Fallacy: An Internet-based Ecological Study. Scientific Reports 11


Seit Ende Januar 2020 besprechen wir Studien zu SARS-CoV-2. Damit gehören wir zu den wenigen, die das neue Coronavirus seit seinem Auftauchen verfolgt und den Niederschlag, den es in wissenschaftlichen Beiträgen gefunden hat, begleitet haben.
Eine Liste aller Texte, die wir zu SARS-CoV-2 veröffentlicht haben, finden Sie hier.

Gutes, so hieß es früher, muss nicht teuer sein. Aber auch ein privates Blog muss von irgend etwas leben.

Deshalb unsere Bitte: Tragen Sie mit einer Spende dazu bei, dass wir als Freies Medium weiterbestehen.

Vielen Dank!


  • Deutsche Bank 
  • Michael Klein
  • BIC: DEUTDEDBCHE
  • IBAN: DE18 8707 0024 0123 5191 00
  • Tescobank plc.
  • ScienceFiles / Michael Klein
  • BIC: TPFGGB2EXXX
  • IBAN: GB40 TPFG 4064 2010 5882 46


Bleiben Sie mit uns in Kontakt.
Wenn Sie ScienceFiles abonnieren, erhalten Sie bei jeder Veröffentlichung eine Benachrichtigung in die Mailbox.

ScienceFiles-Abo
Loading

Print Friendly, PDF & Email
18 Comments

Schreibe eine Antwort zu cource Antwort abbrechen

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.

ScienceFiles-Betrieb

Was uns am Herzen liegt ...

 

Ein Tag ScienceFiles-Betrieb kostet zwischen 250 Euro und 350 Euro.


 

Wenn jeder, der ScienceFiles liest, uns ab und zu mit einer Spende von 5, 10, 20, 50 Euro oder vielleicht auch mehr unterstützt, vielleicht auch regelmäßig, dann ist der Fortbestand von ScienceFiles damit auf Dauer gesichert.


Wir bedanken uns bei allen, die uns unterstützen!


ScienceFiles-Spendenkonto

Vielen Dank!

Holler Box