スキップしてメイン コンテンツに移動

マスクは世界を救えるのか？間違いありません.

マスクをすると新型コロナウィルス感染者数が

４０％もすくなくなる！


ドイツの４人の（労働）経済学者が今月「マスクをすると新型コロナウィルス感染者数が４０％もすくなくなる！」という実証結果を論文として発表をしています。

論文の著者とタイトルは
Mitze, T., Kosfeld, R., Rode, J., and Wälde, K. (2020). Face Masks Considerably Reduce COVID-19 Cases in Germany: A Synthetic Control Method Approach., IZA DP No. 13319.という論文です。ドイツの郵貯「公社？」がサポートしている労働経済学の研究所のワーキングペーパーとして発表されています。査読前の論文ですが、非常に興味深い研究です。

以下からダウンロードできます（ドイツ語ではなくて英語論文です。ご安心を）。http://ftp.iza.org/dp13319.pdf。

　ドイツでは、４月２０日から29日を挟んだ期間以降からマスク着用を義務付けました。その前後の感染者数を比較して、上の様な結果を得ています。ただし、感染者数に影響を与える他の要因も「Synthetic Control Method」という厳格な統計手法を用いて考慮したあとで、マスク着用の義務が、40パーセント感染者数を減らしたことを明らかにしています。計算は、統計パッケージSTATAでのユーザーが開発したパッケージでおこなわれているようです。

またこの分析から、マスク着用は、他の新型コロナウィルスに対する防疫対策にくらべて、費用対効果が非常に高いことを強調している。

日本、台灣、韓国、中国などではマスク着用が当然だったわけで、これらの國の感染者数が少ない理由にも成っている？かもしれません。　フランスではマスク着用は義務付けられましたが、効果はイマイチ？　なぜか＋　こうした研究ができるのはドイツだからです。理由は以下のサイトをごらんください（ジョークであるので、深刻にかんがえないでくださいね？）

https://youpouch.com/2011/09/30/121547/


ラベル:

コメント

コメントを投稿

ここに感想をお願いいたします。

このブログの人気の投稿

感染症モデル入門 (3)　Excelで感染症　SIRモデルをシミュレーションする

感染症流行をExcelでシミュレーションする（ファイルがダウンロード出来ます）。 １．準備：ファイルのダウンロードをする。 SIRモデルのわかりやすい（つまり最も簡単な）Excelシートを作成した。Excelファイルを用いたシミュレーションは以下の二通りの方法で実行できる。 1.1　「Google スプレッドシート」を用いてオンラインでSIRモデルのシミュレーションを行う 。 　オンラインでシミュレーションをする場合には、Google スプレッドシートをつかいます。「 ここ 」をクリックしてください。「感染症数理モデル_入門と応用_森平_2020-05-29」というファイルがGoogle スプレッドシート上で開くはずです。次のような画面を見ることができます。 携帯などから利用していて、通信環境などが良くないときには、オフラインでの実行をおすすめします。＞ファイル？オフラインで実行する、とすれば、自分の携帯にダウンロードしてあるGoogle スプレッドシート上でこのプログラムが実行できるはずです。 1.2　Excelファイルとしてダウンロードして、自分のPC上でシミュレーションをおこなう。 　Excelシートとして使い時は、上で示したGoogle スプレッドシートのメニュー上で ＞ファイル＞ダウンロード＞MicroSoft Excel (.xlsx) 　としてファイルをExcelプログラムしてダウンロードしてください。ダウンロードしたファイルを実行すると、次のような画面が現れるはずです。 ２．初期値とパラメータ値を設定する。 2.1　Excelのシートで説明しよう。1行目は変数名とパラメー名前である。2行目の薄緑色のセルに具体的な数値を与える必要がある。ここでは次のような値を初期値とパラメータ値として設定している。 1)  感染可能人数の初期値：$S_0=100$人 2)  感染者人数の初期値：$I_0=1$人 3)  回復人数の初期値：$R_0=０$人 4)  感染率：$\beta=0.01$,つまり１パーセント 5)  回復率：$\beta=0.1$,つまり１0パーセント （削減率については今回は計算結果に影響の無いようにしている） これらの...
コメントを投稿
続きを読む

感染症モデル入門： (２) SIRモデル（離散型）の場合。易しいです

感染症モデル入門 (2) SIRモデル（離散型）の場合。易しい！ １．SIR感染症モデル：一日ごとの人数変化  時間間隔が１日という離散的な時間変化を考えると、前回示した微分方程式での記述は、次のような差分方程式に変換できる。 \begin{eqnarray}   \mbox{感染可能人数}  \qquad  {S_{t + 1}} &=& {S_t} - \beta {S_t}{I_t} \hfill \\   \mbox{感染者数} \qquad  {I_{t + 1}} &=&  {I_t} + \beta {S_t}{I_t} - \gamma {I_t} \hfill \\   \mbox{回復人数} \qquad {R_{t + 1}} &=&  {R_t} + \gamma {I_t} \end{eqnarray} これは連続的な時間の変化$dt$を離散的な時間変化$\Delta t$でおきかえたものである。$dt$が「1秒間隔」であったのに対し、$\Delta t$は1日単位と考えてみよう。実際のCOVID-19のデータは1日単位で発表されるので、そのように考えたほうが実際に合っている。 　時間経過を1日と考えたのであるから、感染可能人数を$dS_t \approx \Delta S_t$、感染者数を$dI_t \approx \Delta I_t$, 回復者数を$dR_t \approx \Delta R_t$と表現する。これらも1日あたりの人数の変化である。 　そうすると、例えば、感染可能人数を示す微分方程式は$\left( {\frac{{\Delta {S_t}}}{{\Delta t}} = \frac{{\Delta {S_t}}}{1} = \Delta {S_t} = {S_{t + 1}} - {S_t}} \right) =  - \beta {S_t}{I_t}$と変換できる。つまり${S_{t + 1}} - {S_t} =  - \beta {S_{t}}{I_{t}}$を得る。...
コメントを投稿
続きを読む

感染症モデル入門（4)：統計言語[R]によるSIRモデルのシミュレーション

１．SIRモデルを統計言語[R]でシミュレーションする。 以下にRのプログラムを示す。なるべくシンプルなコーディングを目指したので、統計言語[R]の初歩的な知識があれば、コメント(＃)行をみれば、何をやっているのかがわかるであろう。 このプログラムは、自分のPCに[R]が既にインストールしてあれば、その上で動く。あるいは、手軽に試してみたい場合には、ネット上にオンラインで[R]を走らせるサイトがいくつかある。たとえば、 1)　ここ compile R online をクリックして、以下のプログラムをコピペして、左下にある[run it]をクリックするか、自分のPCでF8を押せばよい。あるいは、 2)　ここ paiza.io でも同様なことができる。 試してみてはいかがだろうか？ # ================================================== #  [R]によるSIRモデルの計算 ＃#================================================== #####　シミュレーション期間の設定とS,I,Rベクトルの定義 No_of_Days=50; N1=No_of_Days+1; S=I=R=R_t=numeric(N1);  ##### S,I,Rの初期値とパラメータ値の設定 S[1]=100; I[1]=1; R[1]=0; beta=0.01; gamma=0.1 #####　SIRモデルの繰り返し計算 for (t in 1:No_of_Days){     S[t+1] = S[t] - beta*S[t]*I[t]     I[t+1] = I[t] + beta*S[t]*I[t] - gamma*I[t]     R[t+1] = R[t] + gamma*I[t]     R_t[t+1] = S[t+1]*beta/gamma } ##### S,I,Rのグラフを描く（S,I,Rと横軸に日数をひとまとめのデータフレームとしてから） output = data.frame( S, I, R, date=1:N1 ) library...
コメントを投稿
続きを読む