Jak jste si možná všimli, možná nevšimli, na sociálních sítích i částečně i v klasických médiích na mě osobně a mojí práci útočí aktivisté platformy “Zdravé fórum”.
Prošel jsem teď zběžně Supplementary Materials k článku v Science a musím se přiznat, že můj první dojem byl, že "problém P" tam je. Rovnice (A.1) říká
R_t,c = R_0,c * Π_i exp(-α_i,c x_i,t,c)
kde x_i,t,c je přepínač platnosti opatření (0 nebo 1) a je to jediná explicitně časově závislá veličina. To skutečně vypadá tak, že změna dynamiky je explicitně umožněna jen vlivem zapínání a vypínání opatření. Trochu mi dělá problém to srovnat s větou "[p]okud si ovšem kdokoli kvalifikovaný přečte celou technickou část textu, musí ovšem souhlasit, že tohle není ten případ - ty členy v těch rovnicích prostě jsou, nelze o tom vést spor" z článku zde (které rozumím tak, že v rovnicích jsou explicitně členy popisující nepozorované vlivy). Samozřejmě možná něco přehlížím a četl jsem to jen narychlo - můžete mě prosím navést na rovnici explicitně parametrizující nepozorované faktory, pokud je taková?
Jestli tomu rozumím správně, tak vaše validace proti "problému P" je diskutována v část B.3 přílohy, kde je zjištěno, že spočtené efekty opatření jsou stabilní vůči vyloučení některých jiných z opatření z úvahy (tj. "zkusme to spočíst znovu předstírajíce, že nevíme o tom, že byly povinné roušky, a podívejme se, jak se nám pohnou výsledky účinnosti zavření obchodů"). Jelikož se ukazuje, že výsledky jsou docela stabilní, dá se čekat, že budou stabilní i vůči jiným nepozorovaným faktorům.
To je samozřejmě dobrý argument a asi to nejlepší, co lze v této věci čistě statisticky udělat, ale je to argument dost subtilní a kritikové ho mohli přehlédnout nebo považovat za nerelevantní.
Je potřeba se podívat na rovnice (A.5) a (A.6) - R se nejprve transformuje na growth rate, a to se pak násobí těmi noise terms, které umožní modelu fitovat nepozorované faktory.
"Growth noise terms" by šlo zpětně přetransformovat do "noise term" přímo v R.
Mimochodem u podobné parametrizace pak může být výsledkem i podcenění efektu opatření, pokud efekt model částečně vysvětlí "šumem".
Mimochodem, chápu to správně tak, že výstupem modelu je mimo jiné aposteriorní rozdělení ε_t,c pro každé t a c? Jestli ano, je ho někde v článku možné vidět?
Přesně tak. Do publikované verze se to nedostalo pro rozsah a proto že to málokdo ocení, ale dá se najít v jedné předchozí verzi v preprintu - appendix E3.
Díky. Předpokládal, že "noise" implikuje, že se jedná o nějaké irelevantní šumy typu chyb v datech a předpokládal jsem u nich něco jako symetrickou pravděpodobnost kolem jedničky. Což v článku pochopitelně není, a dokonce máte v části B.1 uvedeno, že "noise" popisuje nepozorované faktory, což jsem přehlédl. Moje chyba.
Věcná poznámka, " ε_t,c Gauss distribution, mean=0, same std dev , are separate, independent noise terms" není to náhodou totéž jako "nějaké irelevantní šumy typu chyb v datech a předpokládal jsem u nich něco jako symetrickou pravděpodobnost kolem jedničky"? Žádná funkční závislost na čase tam není. Jedná se sice o parametrizaci zlepšující fit dat, ale předpoklad nezávislosti a stejného rozdělení de fakto vylučuje přítomnost jiných funkčních závislostí než efekt opatření. Důsledek je vidět v appendixu E3. Tyto další vlivy v čase jsou sice "odfiltrovány", ale tak, že jejich celkový efekt je roven nule. Mimochodem, nijak nepřipomínají nezávislé odchylky. Jinými slovy, v uvažovaném časovém horizontu je celý efekt změny dynamiky epidemie připsán pouze uvažovaným opatřením. Ono by to ani jinak dobře nešlo, bylo by totiž nutné nějak extrapolovat předchozí průběh a analyzovat rozdíl mezi touto extrapolací a skutečnou historií po vládních intervencích. Jako řešení problému kauzality vs korelace mě to moc nepřesvědčuje. Opravte mě, pokud se mýlím.
Nechci se přidávat k vyhroceným sporům se zde citovanými argumenty. Osobně si dovedu představit práci s přípravou datové základny pro korelační studie, které jsou předmětem sporu, a smekám nad ní. Nicméně jsem toho názoru, že relevantní data jsou základem a z toho pohledu mě zajímá česká křivka a její reakce na opatření. Díky několika pokusům je na co se dívat - a z mého pohledu to není hezký pohled. Třeba se ale v něčem mýlím? Zkuste http://weiss.cz/RvsAction.pdf.
Zdá se, že žádné další argumenty kromě „mýlíte se“ nemáte. Lze to chápat i tak, že i Vám data ukazují na to, že se vliv opatření nedá kvantifikovat a že neodpovídá předpokladům. Doufal jsem v trochu víc, tedy v nějaký vhled, který by to ukázal v jiném světle.
Mojí motivací původně bylo podívat se, jak se soubor posledních opatření, která jsou prováděna v situaci mimo oblast zpracovanou studiemi, na kterých jste participoval, projevuje na datech (adresoval bych tím problém korelace vs kauzality). Místo toho jsem vlastně narazil na problém P, tedy efektivní možnost efekt opatření odfiltrovat od dalších silných vlivů na R.
Stručně tedy rekapitulace. Opatření, pokud jsou účinná, mají na R okamžitý účinek, způsobují okamžitou nespojitost a následně R pokračuje paralelně k trajektorii kopírující situaci před opatřením. Vzhledem k tomu, že empirické R se opírá o zpožděná a časově ne zcela odpovídající data o indikacích pozitivních (v lepším případě), či o datech hospitalizovaných či zemřelých (v horším případě), je tento skok „rozmyt“ do několika dnů následujících po opatření. Ještě jinými slovy, skutečné R má zleva derivaci rovnou -nekonečnu při zpřísnění a +nekonečnu při uvolnění, derivace zprava pak odpovídá původnímu trendu. Celkový skok proti původnímu trendu je mírou efektivnosti příslušného opatření. Empirické R by potom mělo výraznou odchylku trendu a vrátilo se po několika dnech na trend původní. Pokud si ovšem namalujeme křivku R z dat posledních měsíců, pak období zavedení opatření nekorelují se změnami trendu empirického R. Ještě jinak, data nedávají indikaci, že opatření jsou účinná. To neznamená nutně, že nejsou, indikuje to, že nikoli významně a předpokládá to, že v době zavedení opatření se nějak projevují kompenzační neznámé vlivy. Bylo by možné doplnit obrázek o 20 teorií a 30 rovnic, které by z toho něco „vydolovaly“, to je ovšem cesta do pekel. Letitá zkušenost z práce s daty ukazuje, že závislost, kterou nelze alespoň graficky zobrazit, buď není, nebo je natolik málo významná, že je třeba mnohem víc dat, aby byla odhalena. Vzhledem k tomu, že výše zmíněné studie pracují právě s takovým průběhem R, bylo by nanejvýš efektivní ukázat srovnání R bez úprav, R po úpravách a R po úpravách a po efektu opatření. Bohužel jsem takový graf nikde neviděl.
Ohledně problému P, v silné formě, tedy že studie nepracují s jinými vlivy, než jsou opatření, je samozřejmě vyvrácen odkazem na příslušné rovnice. V slabé formě, tedy, že není efektivně odfiltrován jiný vliv, než jsou opatření, by byl vyvrácen, pokud by se bez použití ad hoc dalších parametrů a stejnými rovnicemi bylo možno dostat z empirického R, které je ukázáno v citovaném odkazu, na něco, co by poté ukázalo vliv jednotlivých opatření. To ovšem jednoduchou větičkou „mýlíte se“ asi nejde.
Poslední poznámka ke konstrukci empirického R. Uvedl jste, že si nemohu efektivní dobu mezi nákazou a indikací pozitivity vymyslet. Je jisté, že opatření nemůže působit předtím, než bylo zavedeno. Sám ale uvádíte rozmezí 7-14 dnů. Pokud budu měnit empirické R v tomto intervalu, nebude to na obrázku nic měnit ve smyslu korelace doby opatření se změnami trendu. Ono je to, že „nemůžu“, zase „samozřejmé“ tvrzení, nicméně nemyslím, že bych mohl udělat víc, než použít fundamentální znalosti o inkubační době a cestě mezi příznaky a výsledkem testu. Studie, na kterých jste participoval, se s tím ostatně musely též vyrovnat. Je samozřejmě možné dodat další parametry a optimalizovat, „aby to vyšlo“, ale to je právě něco, co tady z principu nefunguje. Problém je, že nemáte data o skutečném okamžiku nakažení, tedy nemůžete nezávisle určit tento časový interval nebo dokonce jeho rozložení. Takovou optimalizací tak jen zavádíte další volný parametr, který ohne výsledky. Ve skutečnosti to ale není taková tragédie, protože v datech byste našel příslušné zákonitosti, jen možná o něco proti očekávání posunuté.
Já se omlouvám, ale bohužel není v mých silách vysvětlovat všechny omyly. V podstatě všude kde vaše úvaha vykazuje nějaké rozdíly oproti běžné epidemiologii, má běžná epidemiologie pravdu, a vaše úvaha je mylná.
Jeden příklad:
"Abych se vyhnul zbytečně diskutabilním modelům, předpokládám, že dnešní nově nakažení nakazí další se zpožděním, cca za 7 dní . Nakažení se projeví za cca 2-3 dny a dva až tři dny trvá, než se dostane nový nakažený k testování a jeho výsledku. "
Ne, diskutabilním modelům jste nevyhnul. Pouze jste modely nahradil vlastním modelem, který nemá žádné jiné opodstatnění, než váš pocit.
Ve skutečnosti čas od nakažení do detekce je poměrně "rozplizlá" distribuce, kde pozorovanou křivku nákaz si můžete představit vlastně jako konvoluci skutečného počtu nákaz a této distribuce. Pro představu: u lidí kteří jdou s covidem do nemocnic, se ve většině případů jejich nákaza potvrdí až v nemocnici. U vytrasovaných, klidně před příznaky. To je rozdíl klidně 14 dní.
Ve skutečnosti proto "trendy vývoje R" na kterých svou analýzu stavíte by takto vypadaly i pokud skutečné R mělo většinou derivaci nulovou, a skokově se měnilo - onen skok se "rozmyje" konvolucí do zdání trendu.
Těžko se ale ten trend rozmyje do období, než ta opatření nastanou. Těžko ale to zdání trendu bude pri zpřísnění rostoucí. Těžko bude trvat víc než 14 dni. Problem P tam v této křivce rozhodne je a pokud takto vypadala historie i v jiných zemích a obdobích, pak mám obavu o vypovídací hodnotu těch výsledku. Mate v těch studiích ono srovnání původního R a R po vlivu opatření?
1. To je jednoduché konstatování, mate nějaké argumenty/ vysvětlení?
2. Z principu nelze z dat zdržení přesně určit, nicméně kvalitativně se na závěrech nic nemění, pokud se provede přepočet v myslitelnych mezích. Mým cílem není kritizovat zmíněné korelační analýzy, ale chápat skutečnost.
3. Nebudu, omlouvam se, chtěl jsem reagovat na víc míst v diskusi.
ps: U vašeho argumentování Finskem a Norskem o proti Švédsku byste měl akcentovat ten rozdíl, že jejich situace je na naše podmínky mnohem méně aplikovatelná než Švédsko. Nikdy se totiž nevyskytly v situaci vysokého výskytu viru v populaci ( navíc jejich geografická poloha je ještě o něco izolovatelnější- ale to platí hlavně pro všechny ty úspěšné Austrálie, zélandy, Taiwany...). Z nízkých čísel lze opravdu dobře udržet nízká čísla, nebo je dokonce restrikcemi srazit na nulu. z vysokých čísel se to v podstatě nikde nepodařilo.
Odhaduji že hlavní pochybnost Vůči Vám je v tom zda jste opravdu matematicky zahrnul všechny parametry. ( například psychosomatické následky na zdraví lidí kvůli restrikcím, kvůli preventivnímu šíření paniky od některých odborníků)
A zkoušel jste analyzovat zda ke zneužití vědy dochází?
Ad Efektivita účinnosti různých druhů léčby ( Spíš než léčbou bych to nazval mírou tvrdosti restrikcí a povinností). sice se porovnávají časo dvojice států, ale jde o zástupné příklady za obě množiny a obě tyto množiny mají mnoho členů.
Nevím do jaké míry přihlížite k tomuto ekonomickému hledisku:
Až dojdou reálné prostředky směřující na
-masivní přesuny peněz lidem kterým zakázali pracovat
- do různých zdravotnických pomůcek a na nekonečné testování a očkování…
-Masivní tunelování státu prostřednictvím různých předražených zakázek díky nouzovém stavu
pak teprve nastane problém, mnohem vážnější než tato epidemie. peníze nelze tisknout donekonečna.
Psychosomatické následky čehokoli jsou v tomto kontextu zcela irelevantní. Model se ničím takovým vůbec nezaobírá. Snaží se pouze zjistit, jak jednotlivá opatření mění reprodukční číslo (R).
Diskutovaná pochybnost se týká toho, jestli snížení R, které model připisuje účinku přijatých opatření, není důsledkem něčeho jiného. Například když se po zavření restaurací epidemie zpomalí, tak to může být důsledek zavření restaurací, ale také to může být částečně či zcela účinek nějakého jiného, z pohledu modelu nepozorovaného, faktoru. Třeba poté, co se zavřely restaurace, úplně náhodou a nezávisle na tom nějaká klíčová část společnosti dosáhla kolektivní imunity. Nebo se shodou okolností mohli (zase nezávisle na opatřeních) lidé začít chovat opatrněji. Nebo to třeba bylo tím, že začalo mrznout...
Kritikové tvrdí, že model je konstruován tak, že vždy z definice připíše každé zlepšení přijatým opatřením, a ignoruje možnost nepozorovaných faktorů. Pan Kulveit reaguje, že článek v Science vliv nepozorovaných faktorů obšírně diskutuje a věrohodně vylučuje.
Model se nezabývá psychosomatickými ani ekonomickými následky. To ho však činí do značné míry irelevantním, neboť tyto parametry které neřeší mají dost velkou váhu.
pan Kulveit tady 2 měsíce zpět poukazoval, že některé matematicky nevysvětlitelné rozdíly v neprospěch ČR - tedy slabé výsledky opatřeních u nás- souvisí s nedodržováním které je prý horší než v cizině - ten racionální podklad pro toto jeho tvrzení bych teda chtěl vidět.
Březnová uzávěra: podle odborníků prý "také pomohla". Mno poklesy sice začaly příliš brzo, aby se to tím mohlo vysvětlit, Praha - velké množství lidí uzavřené na malém prostoru- takže omezení možnosti návštěv malé, přesto prudce klesala a naopak Zlínsko během uzávěry začalo růst. Tohle spíš ukazuje na naprosto přirozené vlny, u prahy skoro až nepřirozeně protichudne vuci uzavere.
Ještě k té březnové uzávěře v Praze - první omezení byla přijata tuším 11.3., plná uzávěra byla od 16.3., maximální denní přírůstek nakažených byl 27.3. To je moc brzy? V jakém smyslu je to protichůdné proti uzávěře? Kdy by k poklesu mělo správně dojít podle vás a proč?
Je přirozené, že vliv opatření je silnější ve velkých městech než na venkově. Je tam větší podíl kancelářských zaměstnanců, kteří mohou přejít na práci z domova, je zpravidla těžší během zákazu vycházení navštívit kamarády (protože ti bydlí dál a je větší šance cestou narazit na policajta, než na vesnici) apod. Názor, že velké množství lidí nahuštěné na malém prostoru znemožňuje omezení návštěv, mi přijde až absurdní. Bydlím v Praze v desetipatrovém paneláku s 200 byty v pěti vchodech, a ujišťuji vás, že vůbec není těžké během pandemie nikoho z nich nenavštívit. (Ani mimo pandemii. Sousedy prakticky neznám. Paneláky jsou anonymní.) A venku na ulici se nenakazíte, na tom se shodneme, ne?
Já mám z vašeho psaní pocit, že zastáváte přístup dle hesla "všechno špatně". Jste proti omezením, a tak jeden každý argument musí vyznít proti omezením. Nejenže cena omezení musí být vyšší, než jejich přínos, to nestačí. Přínos musí být nulový, žádné opatření nemůže ani trochu fungovat. Jakýkoli pozorovaný efekt je nutno interpretovat jako argument proti účinnosti opatření. To vás tlačí občas do absurdních pozic, čímž dle mého soudu zbytečně oslabujete tu část argumentace, která je potenciálně smysluplná.
1/tvrdá opatření byla přijata už od začátku března. nevylučuji že v průběhu měsíce ještě něco nepřibylo ale pokud ano, bylo to jen kosmetické. Zkuste specifikovat, co konkrétně přibylo za opatreni 11. A 16.3.?
2/U pražské statistiky jste mě dost možná nachytal. Máte prosím nějaký praktické odkaz na grafy pro prahu? možná šlo opravdu hlavně o to že se Praha drží na nízkém stupni.
3/V Praze rovněž existuje rovněž i výroba a vyšší podíl home officírů navíc z části kompenzuje větší koncentrace lidí v MHD a dojížděči z malého i většího okolí kteří se ve veřejné dopravě spolu koncentrují na delší dobu (z Kolínska i Pardubicka...)
4/v další části jste mě asi nepochopil, částečně jak kdybyste to pochopil opačně. Tak to zkusíme rozplést, Můj argument byl: Na rozdíl od okresů( ty mají o řád méně obyvatel) má v Praze člověk mnohem více kontaktů pro návštěvu. A navíc mnohem snadněji dostupných díky MHD.
“Je zpravidla těžší během zákazu vycházení navštívit kamarády”??? V Praze? zdůvodnění policií mi připadá naprosto liché. policie aktivně hlídala hranice mezi okresy, nikoliv kam chodí lidi po Praze.snadnost navštěvování v rámci paneláku jsem nikde nerozporoval:-)
5/Stačí když konkrétně napíšete, ve kterém argumentu jsem dle Vás absurdně účelový. v ad4 jste mne zrejme nepochopil a tim misty az obratil mineni. Vy sám jste mi předložil jiné argumenty a to Ve prospěch opatřeních, ale ty mi připadají jako poměrně nevýznamné-jako homeofis - navic lidé ve firmách se přece neustále testují.
To nebyla výzva k zastavení naší komunikace. jen jsem Vám chtěl rychlým upozorněním ušetřit energii v případě že vaše další argumenty by se mísily se úplně jiným březnem než o kterém jsem psal já. Nepochopil jsem proč však jste argumentoval tím jiným březnem.
Jen pro zajímavost: Tenkrát jsem opatření považoval dokonce za příliš mírná- v tom smyslu že lyžaři z Itálie měl jít být vyzvání mnohem dříve ke kategorické návratu. důvod byl jednoduchý: zdálky to vypadalo že virulence a smrtnost tohoto viru je mnohem větší při deklarované nakažlivosti- Jinými slovy že většina nakažených přinejmenším bojuje o život, takže princip předběžné opatrnosti. posléze se ukázalo že doměnka platí u nakažlivosti, nikoliv i virulence. drtivá většina nakažených má průběh mírný až žádný. V dubnu už stále více na povrch vystupovala nesmyslnost a setrvačnost některých opatřeních. navíc je velmi pravděpodobné že v visegrádských zemích to od podzimu řádí nejvíce i z toho důvodu, že tam vzhledem k příliš velkým protektivní akcím žádná znatelná jarní vlna neproběhla a populace tak zůstala imunitně naivní.
Tuto stránku znám jen mi přijde oproti ourwoldindata dost nepohodlná, proto jsem poptával jinou. data z Prahy sice vykazují v první polovině března růst, jenže v tu samou dobu velmi prudce narůstaly počty testů.
stop, vzdyt ja se s Vama bavim o letosnim breznu a ty terminy jsou lonsky brezen. nevim jak se toto povedlo, jen rychle upozornuju at se nezapletame v nedorozumeni
Pokud uvažuji o zavedení nějakého opatření, potřebuji porovnat jeho přínos (tj. jak opatření ovlivní šíření covidu) s jeho cenou (tj. např. ty ekonomické a psychické následky). Takže mám dvě otázky: (A) jak opatření ovlivní šíření infekce, a (B) kolik stojí. Ty otázky jsou v zásadě nezávislé, takže je lze nezávisle i zkoumat. Model, na kterém spolupracoval pan Kulveit, se zabýval otázkou (A). To, že neodpovídá na (B) není jeho nedostatkem.
Je v principu korektní argumentovat, že přijetí opatření je špatně, pokud jeho cena převyšuje jeho přínos. Je ale nesmysl napadat studii, která se snaží zjistit přínos, za to, že se nezabývá cenou. V diskutovaném článku v Science se fakt netvrdí, že opatření je správné zavádět.
nenapadám model pana Kulveita, napadám skutečnost že je mu připisován příliš dominantní význam, vzhledem teoretičnosti a nemožnosti kalkulovat psychosociální faktory. + navíc jsem poukázal že on sám má tendenci používat neprokázané argumenty ( větší neposlušnost Čechů než jiných národů) jako záplatu nízký efekt opatřeních.
Prošel jsem teď zběžně Supplementary Materials k článku v Science a musím se přiznat, že můj první dojem byl, že "problém P" tam je. Rovnice (A.1) říká
R_t,c = R_0,c * Π_i exp(-α_i,c x_i,t,c)
kde x_i,t,c je přepínač platnosti opatření (0 nebo 1) a je to jediná explicitně časově závislá veličina. To skutečně vypadá tak, že změna dynamiky je explicitně umožněna jen vlivem zapínání a vypínání opatření. Trochu mi dělá problém to srovnat s větou "[p]okud si ovšem kdokoli kvalifikovaný přečte celou technickou část textu, musí ovšem souhlasit, že tohle není ten případ - ty členy v těch rovnicích prostě jsou, nelze o tom vést spor" z článku zde (které rozumím tak, že v rovnicích jsou explicitně členy popisující nepozorované vlivy). Samozřejmě možná něco přehlížím a četl jsem to jen narychlo - můžete mě prosím navést na rovnici explicitně parametrizující nepozorované faktory, pokud je taková?
Jestli tomu rozumím správně, tak vaše validace proti "problému P" je diskutována v část B.3 přílohy, kde je zjištěno, že spočtené efekty opatření jsou stabilní vůči vyloučení některých jiných z opatření z úvahy (tj. "zkusme to spočíst znovu předstírajíce, že nevíme o tom, že byly povinné roušky, a podívejme se, jak se nám pohnou výsledky účinnosti zavření obchodů"). Jelikož se ukazuje, že výsledky jsou docela stabilní, dá se čekat, že budou stabilní i vůči jiným nepozorovaným faktorům.
To je samozřejmě dobrý argument a asi to nejlepší, co lze v této věci čistě statisticky udělat, ale je to argument dost subtilní a kritikové ho mohli přehlédnout nebo považovat za nerelevantní.
Je potřeba se podívat na rovnice (A.5) a (A.6) - R se nejprve transformuje na growth rate, a to se pak násobí těmi noise terms, které umožní modelu fitovat nepozorované faktory.
"Growth noise terms" by šlo zpětně přetransformovat do "noise term" přímo v R.
Mimochodem u podobné parametrizace pak může být výsledkem i podcenění efektu opatření, pokud efekt model částečně vysvětlí "šumem".
Další "výstupní šum" se pak přidává úplně nakonec
Mimochodem, chápu to správně tak, že výstupem modelu je mimo jiné aposteriorní rozdělení ε_t,c pro každé t a c? Jestli ano, je ho někde v článku možné vidět?
Přesně tak. Do publikované verze se to nedostalo pro rozsah a proto že to málokdo ocení, ale dá se najít v jedné předchozí verzi v preprintu - appendix E3.
https://www.medrxiv.org/content/10.1101/2020.05.28.20116129v2.full.pdf
Díky. Předpokládal, že "noise" implikuje, že se jedná o nějaké irelevantní šumy typu chyb v datech a předpokládal jsem u nich něco jako symetrickou pravděpodobnost kolem jedničky. Což v článku pochopitelně není, a dokonce máte v části B.1 uvedeno, že "noise" popisuje nepozorované faktory, což jsem přehlédl. Moje chyba.
Věcná poznámka, " ε_t,c Gauss distribution, mean=0, same std dev , are separate, independent noise terms" není to náhodou totéž jako "nějaké irelevantní šumy typu chyb v datech a předpokládal jsem u nich něco jako symetrickou pravděpodobnost kolem jedničky"? Žádná funkční závislost na čase tam není. Jedná se sice o parametrizaci zlepšující fit dat, ale předpoklad nezávislosti a stejného rozdělení de fakto vylučuje přítomnost jiných funkčních závislostí než efekt opatření. Důsledek je vidět v appendixu E3. Tyto další vlivy v čase jsou sice "odfiltrovány", ale tak, že jejich celkový efekt je roven nule. Mimochodem, nijak nepřipomínají nezávislé odchylky. Jinými slovy, v uvažovaném časovém horizontu je celý efekt změny dynamiky epidemie připsán pouze uvažovaným opatřením. Ono by to ani jinak dobře nešlo, bylo by totiž nutné nějak extrapolovat předchozí průběh a analyzovat rozdíl mezi touto extrapolací a skutečnou historií po vládních intervencích. Jako řešení problému kauzality vs korelace mě to moc nepřesvědčuje. Opravte mě, pokud se mýlím.
odkaz na model v Science máte špatně, odkaz na článek prof. Chýly vede přes FB.
Nechci se přidávat k vyhroceným sporům se zde citovanými argumenty. Osobně si dovedu představit práci s přípravou datové základny pro korelační studie, které jsou předmětem sporu, a smekám nad ní. Nicméně jsem toho názoru, že relevantní data jsou základem a z toho pohledu mě zajímá česká křivka a její reakce na opatření. Díky několika pokusům je na co se dívat - a z mého pohledu to není hezký pohled. Třeba se ale v něčem mýlím? Zkuste http://weiss.cz/RvsAction.pdf.
1. Bohužel ano, mýlíte.
2. Zkuste si prosím ty články přečíst. Na otázky typu jak dlouho to trvá od nakazy do potvrzení si nelze odpověď prostě vymyslet
3. Prosím nevkládajte opakovaně pod spoustu komentářů ten samý odkaz.
Zdá se, že žádné další argumenty kromě „mýlíte se“ nemáte. Lze to chápat i tak, že i Vám data ukazují na to, že se vliv opatření nedá kvantifikovat a že neodpovídá předpokladům. Doufal jsem v trochu víc, tedy v nějaký vhled, který by to ukázal v jiném světle.
Mojí motivací původně bylo podívat se, jak se soubor posledních opatření, která jsou prováděna v situaci mimo oblast zpracovanou studiemi, na kterých jste participoval, projevuje na datech (adresoval bych tím problém korelace vs kauzality). Místo toho jsem vlastně narazil na problém P, tedy efektivní možnost efekt opatření odfiltrovat od dalších silných vlivů na R.
Stručně tedy rekapitulace. Opatření, pokud jsou účinná, mají na R okamžitý účinek, způsobují okamžitou nespojitost a následně R pokračuje paralelně k trajektorii kopírující situaci před opatřením. Vzhledem k tomu, že empirické R se opírá o zpožděná a časově ne zcela odpovídající data o indikacích pozitivních (v lepším případě), či o datech hospitalizovaných či zemřelých (v horším případě), je tento skok „rozmyt“ do několika dnů následujících po opatření. Ještě jinými slovy, skutečné R má zleva derivaci rovnou -nekonečnu při zpřísnění a +nekonečnu při uvolnění, derivace zprava pak odpovídá původnímu trendu. Celkový skok proti původnímu trendu je mírou efektivnosti příslušného opatření. Empirické R by potom mělo výraznou odchylku trendu a vrátilo se po několika dnech na trend původní. Pokud si ovšem namalujeme křivku R z dat posledních měsíců, pak období zavedení opatření nekorelují se změnami trendu empirického R. Ještě jinak, data nedávají indikaci, že opatření jsou účinná. To neznamená nutně, že nejsou, indikuje to, že nikoli významně a předpokládá to, že v době zavedení opatření se nějak projevují kompenzační neznámé vlivy. Bylo by možné doplnit obrázek o 20 teorií a 30 rovnic, které by z toho něco „vydolovaly“, to je ovšem cesta do pekel. Letitá zkušenost z práce s daty ukazuje, že závislost, kterou nelze alespoň graficky zobrazit, buď není, nebo je natolik málo významná, že je třeba mnohem víc dat, aby byla odhalena. Vzhledem k tomu, že výše zmíněné studie pracují právě s takovým průběhem R, bylo by nanejvýš efektivní ukázat srovnání R bez úprav, R po úpravách a R po úpravách a po efektu opatření. Bohužel jsem takový graf nikde neviděl.
Ohledně problému P, v silné formě, tedy že studie nepracují s jinými vlivy, než jsou opatření, je samozřejmě vyvrácen odkazem na příslušné rovnice. V slabé formě, tedy, že není efektivně odfiltrován jiný vliv, než jsou opatření, by byl vyvrácen, pokud by se bez použití ad hoc dalších parametrů a stejnými rovnicemi bylo možno dostat z empirického R, které je ukázáno v citovaném odkazu, na něco, co by poté ukázalo vliv jednotlivých opatření. To ovšem jednoduchou větičkou „mýlíte se“ asi nejde.
Poslední poznámka ke konstrukci empirického R. Uvedl jste, že si nemohu efektivní dobu mezi nákazou a indikací pozitivity vymyslet. Je jisté, že opatření nemůže působit předtím, než bylo zavedeno. Sám ale uvádíte rozmezí 7-14 dnů. Pokud budu měnit empirické R v tomto intervalu, nebude to na obrázku nic měnit ve smyslu korelace doby opatření se změnami trendu. Ono je to, že „nemůžu“, zase „samozřejmé“ tvrzení, nicméně nemyslím, že bych mohl udělat víc, než použít fundamentální znalosti o inkubační době a cestě mezi příznaky a výsledkem testu. Studie, na kterých jste participoval, se s tím ostatně musely též vyrovnat. Je samozřejmě možné dodat další parametry a optimalizovat, „aby to vyšlo“, ale to je právě něco, co tady z principu nefunguje. Problém je, že nemáte data o skutečném okamžiku nakažení, tedy nemůžete nezávisle určit tento časový interval nebo dokonce jeho rozložení. Takovou optimalizací tak jen zavádíte další volný parametr, který ohne výsledky. Ve skutečnosti to ale není taková tragédie, protože v datech byste našel příslušné zákonitosti, jen možná o něco proti očekávání posunuté.
Já se omlouvám, ale bohužel není v mých silách vysvětlovat všechny omyly. V podstatě všude kde vaše úvaha vykazuje nějaké rozdíly oproti běžné epidemiologii, má běžná epidemiologie pravdu, a vaše úvaha je mylná.
Jeden příklad:
"Abych se vyhnul zbytečně diskutabilním modelům, předpokládám, že dnešní nově nakažení nakazí další se zpožděním, cca za 7 dní . Nakažení se projeví za cca 2-3 dny a dva až tři dny trvá, než se dostane nový nakažený k testování a jeho výsledku. "
Ne, diskutabilním modelům jste nevyhnul. Pouze jste modely nahradil vlastním modelem, který nemá žádné jiné opodstatnění, než váš pocit.
Ve skutečnosti čas od nakažení do detekce je poměrně "rozplizlá" distribuce, kde pozorovanou křivku nákaz si můžete představit vlastně jako konvoluci skutečného počtu nákaz a této distribuce. Pro představu: u lidí kteří jdou s covidem do nemocnic, se ve většině případů jejich nákaza potvrdí až v nemocnici. U vytrasovaných, klidně před příznaky. To je rozdíl klidně 14 dní.
Ve skutečnosti proto "trendy vývoje R" na kterých svou analýzu stavíte by takto vypadaly i pokud skutečné R mělo většinou derivaci nulovou, a skokově se měnilo - onen skok se "rozmyje" konvolucí do zdání trendu.
Těžko se ale ten trend rozmyje do období, než ta opatření nastanou. Těžko ale to zdání trendu bude pri zpřísnění rostoucí. Těžko bude trvat víc než 14 dni. Problem P tam v této křivce rozhodne je a pokud takto vypadala historie i v jiných zemích a obdobích, pak mám obavu o vypovídací hodnotu těch výsledku. Mate v těch studiích ono srovnání původního R a R po vlivu opatření?
1. To je jednoduché konstatování, mate nějaké argumenty/ vysvětlení?
2. Z principu nelze z dat zdržení přesně určit, nicméně kvalitativně se na závěrech nic nemění, pokud se provede přepočet v myslitelnych mezích. Mým cílem není kritizovat zmíněné korelační analýzy, ale chápat skutečnost.
3. Nebudu, omlouvam se, chtěl jsem reagovat na víc míst v diskusi.
ps: U vašeho argumentování Finskem a Norskem o proti Švédsku byste měl akcentovat ten rozdíl, že jejich situace je na naše podmínky mnohem méně aplikovatelná než Švédsko. Nikdy se totiž nevyskytly v situaci vysokého výskytu viru v populaci ( navíc jejich geografická poloha je ještě o něco izolovatelnější- ale to platí hlavně pro všechny ty úspěšné Austrálie, zélandy, Taiwany...). Z nízkých čísel lze opravdu dobře udržet nízká čísla, nebo je dokonce restrikcemi srazit na nulu. z vysokých čísel se to v podstatě nikde nepodařilo.
Odhaduji že hlavní pochybnost Vůči Vám je v tom zda jste opravdu matematicky zahrnul všechny parametry. ( například psychosomatické následky na zdraví lidí kvůli restrikcím, kvůli preventivnímu šíření paniky od některých odborníků)
A zkoušel jste analyzovat zda ke zneužití vědy dochází?
Ad Efektivita účinnosti různých druhů léčby ( Spíš než léčbou bych to nazval mírou tvrdosti restrikcí a povinností). sice se porovnávají časo dvojice států, ale jde o zástupné příklady za obě množiny a obě tyto množiny mají mnoho členů.
Nevím do jaké míry přihlížite k tomuto ekonomickému hledisku:
Až dojdou reálné prostředky směřující na
-masivní přesuny peněz lidem kterým zakázali pracovat
- do různých zdravotnických pomůcek a na nekonečné testování a očkování…
-Masivní tunelování státu prostřednictvím různých předražených zakázek díky nouzovém stavu
pak teprve nastane problém, mnohem vážnější než tato epidemie. peníze nelze tisknout donekonečna.
Psychosomatické následky čehokoli jsou v tomto kontextu zcela irelevantní. Model se ničím takovým vůbec nezaobírá. Snaží se pouze zjistit, jak jednotlivá opatření mění reprodukční číslo (R).
Diskutovaná pochybnost se týká toho, jestli snížení R, které model připisuje účinku přijatých opatření, není důsledkem něčeho jiného. Například když se po zavření restaurací epidemie zpomalí, tak to může být důsledek zavření restaurací, ale také to může být částečně či zcela účinek nějakého jiného, z pohledu modelu nepozorovaného, faktoru. Třeba poté, co se zavřely restaurace, úplně náhodou a nezávisle na tom nějaká klíčová část společnosti dosáhla kolektivní imunity. Nebo se shodou okolností mohli (zase nezávisle na opatřeních) lidé začít chovat opatrněji. Nebo to třeba bylo tím, že začalo mrznout...
Kritikové tvrdí, že model je konstruován tak, že vždy z definice připíše každé zlepšení přijatým opatřením, a ignoruje možnost nepozorovaných faktorů. Pan Kulveit reaguje, že článek v Science vliv nepozorovaných faktorů obšírně diskutuje a věrohodně vylučuje.
Model se nezabývá psychosomatickými ani ekonomickými následky. To ho však činí do značné míry irelevantním, neboť tyto parametry které neřeší mají dost velkou váhu.
pan Kulveit tady 2 měsíce zpět poukazoval, že některé matematicky nevysvětlitelné rozdíly v neprospěch ČR - tedy slabé výsledky opatřeních u nás- souvisí s nedodržováním které je prý horší než v cizině - ten racionální podklad pro toto jeho tvrzení bych teda chtěl vidět.
Březnová uzávěra: podle odborníků prý "také pomohla". Mno poklesy sice začaly příliš brzo, aby se to tím mohlo vysvětlit, Praha - velké množství lidí uzavřené na malém prostoru- takže omezení možnosti návštěv malé, přesto prudce klesala a naopak Zlínsko během uzávěry začalo růst. Tohle spíš ukazuje na naprosto přirozené vlny, u prahy skoro až nepřirozeně protichudne vuci uzavere.
Ještě k té březnové uzávěře v Praze - první omezení byla přijata tuším 11.3., plná uzávěra byla od 16.3., maximální denní přírůstek nakažených byl 27.3. To je moc brzy? V jakém smyslu je to protichůdné proti uzávěře? Kdy by k poklesu mělo správně dojít podle vás a proč?
Je přirozené, že vliv opatření je silnější ve velkých městech než na venkově. Je tam větší podíl kancelářských zaměstnanců, kteří mohou přejít na práci z domova, je zpravidla těžší během zákazu vycházení navštívit kamarády (protože ti bydlí dál a je větší šance cestou narazit na policajta, než na vesnici) apod. Názor, že velké množství lidí nahuštěné na malém prostoru znemožňuje omezení návštěv, mi přijde až absurdní. Bydlím v Praze v desetipatrovém paneláku s 200 byty v pěti vchodech, a ujišťuji vás, že vůbec není těžké během pandemie nikoho z nich nenavštívit. (Ani mimo pandemii. Sousedy prakticky neznám. Paneláky jsou anonymní.) A venku na ulici se nenakazíte, na tom se shodneme, ne?
Já mám z vašeho psaní pocit, že zastáváte přístup dle hesla "všechno špatně". Jste proti omezením, a tak jeden každý argument musí vyznít proti omezením. Nejenže cena omezení musí být vyšší, než jejich přínos, to nestačí. Přínos musí být nulový, žádné opatření nemůže ani trochu fungovat. Jakýkoli pozorovaný efekt je nutno interpretovat jako argument proti účinnosti opatření. To vás tlačí občas do absurdních pozic, čímž dle mého soudu zbytečně oslabujete tu část argumentace, která je potenciálně smysluplná.
1/tvrdá opatření byla přijata už od začátku března. nevylučuji že v průběhu měsíce ještě něco nepřibylo ale pokud ano, bylo to jen kosmetické. Zkuste specifikovat, co konkrétně přibylo za opatreni 11. A 16.3.?
2/U pražské statistiky jste mě dost možná nachytal. Máte prosím nějaký praktické odkaz na grafy pro prahu? možná šlo opravdu hlavně o to že se Praha drží na nízkém stupni.
3/V Praze rovněž existuje rovněž i výroba a vyšší podíl home officírů navíc z části kompenzuje větší koncentrace lidí v MHD a dojížděči z malého i většího okolí kteří se ve veřejné dopravě spolu koncentrují na delší dobu (z Kolínska i Pardubicka...)
4/v další části jste mě asi nepochopil, částečně jak kdybyste to pochopil opačně. Tak to zkusíme rozplést, Můj argument byl: Na rozdíl od okresů( ty mají o řád méně obyvatel) má v Praze člověk mnohem více kontaktů pro návštěvu. A navíc mnohem snadněji dostupných díky MHD.
“Je zpravidla těžší během zákazu vycházení navštívit kamarády”??? V Praze? zdůvodnění policií mi připadá naprosto liché. policie aktivně hlídala hranice mezi okresy, nikoliv kam chodí lidi po Praze.snadnost navštěvování v rámci paneláku jsem nikde nerozporoval:-)
5/Stačí když konkrétně napíšete, ve kterém argumentu jsem dle Vás absurdně účelový. v ad4 jste mne zrejme nepochopil a tim misty az obratil mineni. Vy sám jste mi předložil jiné argumenty a to Ve prospěch opatřeních, ale ty mi připadají jako poměrně nevýznamné-jako homeofis - navic lidé ve firmách se přece neustále testují.
Statistiky pro Prahu:
https://onemocneni-aktualne.mzcr.cz/covid-19/kraje/PHA
(lze překliknout i na ostatní kraje).
Opatření na začátku března se týkala příletů z rizikových oblastí (doporučení, měření teploty na letištích apod.). Uzávěry nastaly později:
11. března zavřené školy
12. března stav nouze
14. března zavřené restaurace
16. března zavřené hranice
19. března povinné roušky
Zdroj: https://cs.wikipedia.org/wiki/Pandemie_covidu-19_v_%C4%8Cesku#B%C5%99ezen_2020
To nebyla výzva k zastavení naší komunikace. jen jsem Vám chtěl rychlým upozorněním ušetřit energii v případě že vaše další argumenty by se mísily se úplně jiným březnem než o kterém jsem psal já. Nepochopil jsem proč však jste argumentoval tím jiným březnem.
Jen pro zajímavost: Tenkrát jsem opatření považoval dokonce za příliš mírná- v tom smyslu že lyžaři z Itálie měl jít být vyzvání mnohem dříve ke kategorické návratu. důvod byl jednoduchý: zdálky to vypadalo že virulence a smrtnost tohoto viru je mnohem větší při deklarované nakažlivosti- Jinými slovy že většina nakažených přinejmenším bojuje o život, takže princip předběžné opatrnosti. posléze se ukázalo že doměnka platí u nakažlivosti, nikoliv i virulence. drtivá většina nakažených má průběh mírný až žádný. V dubnu už stále více na povrch vystupovala nesmyslnost a setrvačnost některých opatřeních. navíc je velmi pravděpodobné že v visegrádských zemích to od podzimu řádí nejvíce i z toho důvodu, že tam vzhledem k příliš velkým protektivní akcím žádná znatelná jarní vlna neproběhla a populace tak zůstala imunitně naivní.
Tuto stránku znám jen mi přijde oproti ourwoldindata dost nepohodlná, proto jsem poptával jinou. data z Prahy sice vykazují v první polovině března růst, jenže v tu samou dobu velmi prudce narůstaly počty testů.
stop, vzdyt ja se s Vama bavim o letosnim breznu a ty terminy jsou lonsky brezen. nevim jak se toto povedlo, jen rychle upozornuju at se nezapletame v nedorozumeni
Pokud uvažuji o zavedení nějakého opatření, potřebuji porovnat jeho přínos (tj. jak opatření ovlivní šíření covidu) s jeho cenou (tj. např. ty ekonomické a psychické následky). Takže mám dvě otázky: (A) jak opatření ovlivní šíření infekce, a (B) kolik stojí. Ty otázky jsou v zásadě nezávislé, takže je lze nezávisle i zkoumat. Model, na kterém spolupracoval pan Kulveit, se zabýval otázkou (A). To, že neodpovídá na (B) není jeho nedostatkem.
Je v principu korektní argumentovat, že přijetí opatření je špatně, pokud jeho cena převyšuje jeho přínos. Je ale nesmysl napadat studii, která se snaží zjistit přínos, za to, že se nezabývá cenou. V diskutovaném článku v Science se fakt netvrdí, že opatření je správné zavádět.
nenapadám model pana Kulveita, napadám skutečnost že je mu připisován příliš dominantní význam, vzhledem teoretičnosti a nemožnosti kalkulovat psychosociální faktory. + navíc jsem poukázal že on sám má tendenci používat neprokázané argumenty ( větší neposlušnost Čechů než jiných národů) jako záplatu nízký efekt opatřeních.
Silné nervy a nevzdávat to. Váš hlas je potřebný. Dík