[论文解读] Lockdown effects in US states: an artificial counterfactual approach

Carlos B. Carneiro, Iúri H. Ferreira+3 more|arXiv (Cornell University)|Sep 28, 2020

COVID-19 Pandemic Impacts参考文献 21被引用 5

一句话总结

本文采用基于合成控制方法的人工反事实（ArCo）方法，估算美国各州封锁政策对新冠肺炎病例和死亡人数的短期影响。通过利用封锁时间的差异，研究发现，若无封锁措施，反事实累计病例数平均将高出两倍，表明封锁政策显著减缓了疫情传播。

ABSTRACT

We adopt an artificial counterfactual approach to assess the impact of lockdowns on the short-run evolution of the number of cases and deaths in some US states. To do so, we explore the different timing in which US states adopted lockdown policies, and divide them among treated and control groups. For each treated state, we construct an artificial counterfactual. On average, and in the very short-run, the counterfactual accumulated number of cases would be two times larger if lockdown policies were not implemented.

研究动机与目标

• 定量评估封锁政策对美国各州新冠肺炎病例和死亡人数演变的短期影响。
• 应对在疫情迅速演变、可靠数据有限且模型参数不确定的背景下进行政策评估的挑战。
• 提供一种数据驱动的替代方案，以替代依赖不确定校准的模型依赖型流行病学方法。
• 通过使用人工反事实的合成控制框架，将封锁政策的影响与其他同时期政策的影响分离开来。
• 评估观察到的活动减少（尤其是户外和住宅区域活动）在多大程度上调节了封锁政策对病例增长的影响。

提出的方法

• 应用人工反事实（ArCo）方法，即合成控制方法的扩展，估算每个受干预美国州的反事实病例和死亡人数轨迹。
• 针对每个受干预州，从非封锁州池中构建一个控制州的加权组合，使其在病例数趋势上与干预州在封锁前的走势高度匹配。
• 使用时变权重，确保合成控制能够准确复制干预州的干预前动态，从而最小化未观测混杂因素的偏差。
• 采用Masini和Medeiros（2019）提出的方法校正数据的非平稳性，以提高估计的可靠性。
• 采用简化形式的因果模型，通过行为反应将封锁政策与结果联系起来，其中移动数据（Google移动性数据）作为关键中介变量。
• 通过检验合成控制权重是否也匹配未观测的混杂因素，来验证因果解释的合理性，前提是加权控制组能捕捉到反事实的混杂因素路径。

实验结果

研究问题

• RQ1 如果美国各州未实施封锁政策，其累计新冠肺炎病例数本会达到多少？
• RQ2 封锁政策在多大程度上减少了病例和死亡人数的短期增长，且该效果是否超出了内在行为变化的影响？
• RQ3 封锁政策如何影响人口移动性，以及这些变化在多大程度上调节了疫情的发展轨迹？
• RQ4 当流行病学模型存在不确定性时，像ArCo这样的数据驱动、模型无关的方法能否提供可靠的封锁效果估计？
• RQ5 观察到的封锁政策效果是否主要由行为变化驱动，如通过移动模式所反映的那样？

主要发现

• 平均而言，若未实施封锁政策，受干预美国州的反事实累计病例数将高出约两倍。
• ArCo方法识别出病例增长存在显著的短期减少，表明封锁政策显著减缓了疫情早期的传播。
• 封锁政策对减少移动性具有强烈且可测量的影响，尤其体现在户外活动减少和居家停留时间增加方面，且该效应超出了内在行为变化的影响。
• 封锁政策对病例减少的影响在很大程度上通过行为变化实现，这由移动性变化与病例趋势之间的强关联得到证实。
• ArCo方法中使用的合成控制权重不仅有效复制了可观测的病例趋势，也复制了未观测的混杂因素，支持了反事实估计的有效性。
• 结果对替代控制组的纳入保持稳健，并在不同模型设定下保持一致，进一步强化了该数据驱动方法的可靠性。