[论文解读] No increase in COVID-19 mortality after the 2020 primary elections in the USA

Feltham Em, Laura Forastiere+2 more|arXiv (Cornell University)|Oct 6, 2020

COVID-19 epidemiological studies参考文献 11被引用 7

一句话总结

本研究利用来自美国34个州1,574个县的面板数据，采用倾向得分匹配的广义双重差分估计法，调查2020年美国初选是否导致了新冠疫情死亡率上升。研究发现选举后死亡率未出现显著激增，表明只要采取佩戴口罩和保持社交距离等适当预防措施，选举可安全举行。

ABSTRACT

We examined the impact of voting on the spread of COVID-19 after the US primary elections held from March 17 to July 11, 2020 (1574 counties across 34 states). We estimated the average effect of treatment on the treated (ATT) using a non-parametric, generalized difference-in-difference estimator with a matching procedure for panel data. Separately, we estimated the time-varying reproduction number $R_t$ using a semi-mechanistic Bayesian hierarchical model at the state level. We found no evidence of a spike in COVID-19 deaths in the period immediately following the primaries. It is possible that elections can be held safely, without necessarily contributing to spreading the epidemic. Appropriate precautionary measures that enforce physical distancing and mask-wearing are likely needed during general elections, with larger turnout or colder weather.

研究动机与目标

• 评估在大流行早期阶段举行初选是否导致了新冠疫情死亡率上升。
• 评估在高传播风险的公共卫生危机期间，现场投票的安全性。
• 确定在广泛社区传播背景下，选举活动是否成为超级传播事件。
• 为未来在传染病暴发期间安全举行选举提供基于证据的指导。

提出的方法

• 应用非参数广义双重差分估计法，并结合倾向得分匹配，以估计处理组的平均处理效应（ATT）。
• 使用2020年3月17日至7月11日期间，来自美国34个州1,574个县的面板数据。
• 采用半机制贝叶斯分层模型，在州层面估计时变基本再生数（$R_t$）。
• 通过匹配和双重差分法控制时变混杂因素，以隔离选举的影响。
• 结合县层面与州层面的建模，以增强因果推断的稳健性与时序精确性。
• 采用稳健的统计技术，以最小化观察性选举数据中未观测混杂因素带来的偏差。

实验结果

研究问题

• RQ1 2020年美国初选是否在投票后几周内导致了可测量的新冠疫情死亡率上升？
• RQ2 在大流行早期，现场投票在多大程度上促进了SARS-CoV-2的本地传播？
• RQ3 在州层面，初选日期后有效再生数（$R_t$）是否出现了可检测到的变化？
• RQ4 佩戴口罩和保持社交距离等预防措施在减轻与选举相关的传播风险方面发挥何种作用？

主要发现

• 在所研究的1,574个县中，2020年大选后立即出现的新冠疫情死亡率未见显著上升。
• 估计的处理组平均处理效应（ATT）显示，与投票相关的死亡率未出现统计上显著的增加。
• 在州层面，时变基本再生数（$R_t$）在初选日后几天内未表现出显著上升趋势。
• 研究结果表明，只要实施适当的防护措施，选举可安全举行而不显著增加传播风险。
• 死亡率未出现激增，表明在受控条件下，现场投票本身未必会成为超级传播事件。
• 结果支持未来在优先实施保持社交距离和佩戴口罩等措施的前提下，安全举行选举的可行性。