测试乘数：恐惧与遏制

尤其是当流行病的特征是缺乏症状和无症状的个体占一定比例时，这使得实时估计总病例数、活动性感染数、无症状感染数和康复个体数非常困难。然而，尽管缺乏可靠的信息，个体仍然会尝试对他们面临的风险进行实时评估，他们的行为反应将取决于这种评估。在我的理论分析中，我假设个人不了解流行病学过程，他们依赖检测数据来形成对风险的看法。Speci凯莉，特工们通过观察病例死亡率来估计感染条件下的死亡风险：感知致死率t= CFRt≡DtCt哪里CFRt是病死率，以及Ct和Dt行为反应的几种流行病学模型报告的累积病例和死亡是否假设个人根据病例与人口的比率（一种感染风险的衡量标准）对流行率做出反应？参见Funk等人（2010）的综述。例如，在经济学文献中，Kaplan等人（2020年）和Atkeson等人（2020年）假设行为反应取决于死亡人数。例如，见Lipsitch等人（2015年）。医疗体系。

为了评估人群中的平均感染风险，我假设个体遵循标准的教科书流行病学模型——如SIR模型——该模型假定感染的可能性与人群中活跃感染的数量成正比：感知感染风险t= IRt= β ×ItPt哪里β 变速箱是coe吗该疾病的历史（概述了其传染性），It卫生保健系统检测到的当前活动感染人数，以及Pt是活的人口。e死亡的感知风险——从现在起，我将用变量表示χ 然后可以按如下方式重新构造：χt= CFRt|{z} 感知杀伤力×IRt|{z} 感知感染风险在第3节所述的实证分析中，我表明，这一拟议的感知风险指标准确、稳健地预测了SARS-CoV-2疫情期间美国各州和各县的经济活动。2.1讨论e提议的规格信念的阳离子化意味着，如果不进行大规模测试，对风险的感知可能会系统性地改变呃,从真正潜在的死于流行病的风险来看,。成为要理解这一点，将死亡的概率分解为两个组成部分是很有用的，并考虑感知和现实之间的两个楔子。让我们先考虑一下这种疾病的致命性与真实致命性之间的差距。由于一种新疾病的致死率未知，个人需要使用现有信息实时评估它。正如Wong等人（2013）关于2009年uenza-A暴发，检测数据——即实验室控制rmed病例——由医疗保健系统产生的病例是疫情期间最容易获得的信息来源，专家和非专家都可以使用这些病例来评估新出现的传染病的致命性。

特别是，流行病学家自己根据检测数据构建病死率，以实时评估疾病的致命性，我认为个人也会这样做。不幸的是，苏例如，Lipsitch等人（2015年）总结了几个缺点。至关重要的是，当该疾病以大量亚临床感染为特征时（即不需要医疗诊断）（注意事项）在标准的教科书流行病学模型中，在狭义的检测政策下未被发现的活动性感染——而不是累积性感染——是ERS用于传播，因为人们认为康复或死亡的人不再具有传染性。见加尼等人（2005年）。病死率的分母被低估，因此该疾病的致死率被高估。即使将现有的检测数据与流行病学理论相结合，这个问题也不容易解决，因为例如，Atkeson（2020年）和Korolev（2020年）概述了阳离子问题。大规模检测是解决这一问题的一种方法，因为非严重感染、不太可能死于该疾病的个体被包括在总病例数中。解决这个问题的另一种方法是执行one-o 大规模随机实验，包括病毒学测试（检测活跃感染）或血清学调查（检测过去感染）。问题是，由于各种原因，这通常需要时间来完成——如果曾经执行过的话。原则上，即使不进行大规模检测，也可以消除疾病的真实致命性和感知致命性之间的鸿沟。

在实践中，这需要时间，或者根本不会发生，迫使个人依靠检测数据来评估疾病的致命性。现在让我们考虑第二个楔子，即真实感染风险和感知感染风险之间的楔子。简言之，我的观点是，如果没有大规模测试，很难——如果不是不可能的话——在真实时间内移除这个楔子。这是因为感染的风险取决于当前活动感染的数量，而这一数量更容易被感染邪教估计比过去感染的总数还要多。例如，一项大规模的血清学调查可以对过去的感染人数提供非常准确的估计，但这一点已被证实我想谈谈目前的活动性感染。类似地，死亡或住院等可观察的流行病学变量也没有帮助，因为它们包含过去感染的信息，而不是当前感染的信息。事实上，今天的死亡是几天或几周前感染的结果。这些考虑表明，感染风险的评估在很大程度上取决于检测数据，与规范中的情况完全一样我所提议的信念。Chande等人（2020年）最近的最新研究成果进一步支持了这一观点。在他们关于美国SARS-CoV-2暴发的论文中，作者构建了一个地点规范c使用“近期病例报告乘以血清学调查得出的确定偏差”实时评估感染风险。换句话说，他们使用新感染的检测数据，并根据血清学调查发现的病例数乘以卫生保健系统通过检测发现的病例数，将其放大。由于血清学调查很少进行，估计感染风险的每日变化完全来自检测活动。

在第6.5小节中，我提出了一个替代规范对模仿这种方法论的信仰进行分类。代理最终正确估计了疾病的真实致死率和总病例的真实数量，但在没有大规模检测的情况下，仍然无法估计实际感染的数量。3恐惧与经济活动：来自美国的证据I将每周的经济活动数据与报告病例和死亡人数的测试数据相结合。美国各州和县SARS-CoV-2疫情暴发的第一阶段，调查我提出的死亡风险感知指标与经济活动之间的关系。我最喜欢的经济活动指标是达拉斯联邦储备银行的流动和参与指数（MEI）和谷歌工作场所流动报告，因为它们的可用性很高。感知到的位置风险i 在一周内t 由以下公式给出：χi,t=Di,tCi,t|{z}≡CF Ri,t× β ·Ii,tPi,0 |{z}≡IRi,t报告病例总数的数据(Ci,t), 总死亡人数(Di,t) 和人口(Pi,0）来自美国的事实，可在县一级获得，并可轻松汇总到州一级。评估报告的活动性感染(Ii,t), 我收集了超过14天的新报告病例，尽管结果在考虑的时间窗口内是可靠的。

最后，我假设传输coecient用于构建感知感染风险β = 0.30.我的数据集从2020年1月到2020年9月，所有细节都可以在A.1小节中找到-45-40-35-30-25谷歌工作场所流动性（%）0.002.004.006感知死亡风险（%）图1：美国SARS-CoV-2期间感知风险与经济活动之间的相关性注释：e plot考虑了2020年5月1日至2020年9月1日这段时间，以排除大部分早期封锁、业务关闭和类似干预。图1显示，更高的死亡风险与美国各州经济活动的下降有关。然而，至少出于两个原因，这还不足以确定因果关系。首先，反向因果关系可能在起作用。第二，可能有omied变量偏差：一个更高的假设cient将在时间和空间上保持不变，这种假设不会成为一种假设ect标准化估计的coe科学家们。感知到的死亡风险需要封锁和类似的非药物干预，从而导致经济活动收缩。反向因果关系不太可能成为问题。SARS-CoV-2是一种疾病，其特征是暴露与症状发展和/或住院治疗之间存在长期滞后。鉴于美国在20世纪90年代采取的测试政策相对狭窄在大流行的第一阶段，绝大多数检测到的感染被诊断为感染呃症状的出现甚至是急诊室住院，这意味着卫生保健系统可能会记录到新的感染，并有可能延迟。is意味着一周内的经济活动可能只会在未来增加可感知的死亡风险。

此外，反向因果关系表明经济活动与感知风险之间存在正相关关系，而不是负相关关系。对omi的担忧可变偏差很难消除。政策制定者可能会监测流行病的发展，并通过实施封锁和其他遏制政策迅速作出反应。为了控制这种混乱，我雇佣了X-eect回归模型。美联储的MEI谷歌的工作场所流动性（1）OLS（2）FE（3）FE（1）OLS（2）FE（3）FESpec 35; 1死亡风险(χ)-3.9）4.8（4.84）49（4.8）49（4.8）49（4.20）49（5.20）9.46***（5.20）9.46（5.20）9（9.8）8（9.8）9.88***（1.50）9（1.50）9）9（1.20）9（9）9）9（9）9）9（1.8）9）9（5）9）9）9（9）9）9）9（9）9）9）9（9）8）9（9）9）***（1（5）9）9）9）9（5（5）9）9）8）9）9（5（5（5）9）9）9）9）9）9）9）9（5（5）9）9）9）9）9（5（5（5（5）9）9）9）9）9）9）9）9）9）8）8）9）9是的，是的。R（规格1）0.15 0.17 0.96 0.20 0.25 0.97Adj。R（规范#2）0.19 0.21 0.96 0.31 0.37 0.97Obs 1530 1530 1530 1479 1479注：括号内为州一级的聚集标准错误*p < 0.10, **p < 0.05, ***p < 0.01.标准化coe根据变量的标准偏差对变量进行缩放得到的系数（%）。表1：州一级的主要回归结果表1报告了我在州一级的回归结果。E前三列使用美联储的MEI指标作为因变量报告回归结果，而后三列使用谷歌工作场所流动性指标。此外，我考虑两种情况阳离子：其中一种科学家是标准化的。

e非标准化估算见A.2小节。回归经济活动对感知死亡风险的影响，其中我将感知死亡风险替换为其两个组成部分，即感知致死率和感知感染风险。e估计表明，经济活动和感知死亡风险之间存在着强烈的负相关关系，当洛杉矶er分解为两个组件。重要的是，估计的ect在经济上是有意义的：感知死亡风险解释了随着时间推移，经济活动下降的35%到50%X-eECT被排除在外，随着时间的推移，经济活动的相对下降率约为10%X-e包括ECT。状态X-eects确保各州经济活动中未观察到的异质性得到了适当的解释。时间X-eects控制州和国家间普遍存在的未被观察到的国家发展，如国家遏制指南、决策者的全国性沟通等。然而，州一级的估计可能仍然存在omi发来的由于他们无法控制随着时间的推移而发生的州一级的发展，并且可能与经济活动和感知风险都相关，因此导致了可变偏差。美联储的MEI（1）OLS（2）FE（3）FE（4）FE（5）FESpec#1死亡风险(χ)-10.13***（0.93）-9.95***（0.79）-4.67***（0.40）-4.19***（0.64）-4.19***（1.65）伦理规范（CFR）-16.16***（1.04）-18.67***（1.13）-1.05***（0.27）-1.91***（0.51）-1.91***（0.53）感染风险（IR）-2.45***（0.58）-2.14***（0.50）-4.05***（0.65）-3.05***（0.67）-3.05***（1.21）纽约州南铁县附近。R（规格1）0.01 0.14 0.90 0.81 0.81Adj。R（规范#2）0.03 0.16 0.90 0.81 0.81Obs 90599 90599 90599 90599注：括号中的聚集标准错误。

*p < 0.10, **p < 0.05, ***p < 0.01.标准化coe根据变量的标准偏差对变量进行缩放得到的系数（%）。表2：县一级的主要回归结果表2报告了我在更精细的县一级的回归结果。允许我介绍国家时间X-e随着时间的推移，吸收国家级发展的ECT。在战争期间，绝大多数的封锁和遏制政策疫情暴发的第一阶段是在州一级，即州时间颁布的X-eects应该能够解决任何omi这是一种可变偏差。e县一级的估计仍然是负的，并且在统计学上具有显著意义不能跨越所有的物种当感知死亡风险分解为两个组成部分时，情况也是如此。埃科科学家们随着年龄的增长变得越来越小X-e包括ECT，表明洛杉矶他们成功地控制了不可观测的东西。小科这可能是因为当地因素对解释当地经济活动的重要性，但也可能是因为提议的感知死亡风险度量只是一个近似值——这在更细的层面上变得更清晰。。尽管如此，负面影响仍然存在感知风险对经济活动的影响似乎很明显。3.1额外的实证结果自然产生的一个问题是，拟议的死亡风险指标与文献中采用的替代指标（如总病例或每周病例和死亡）相比如何。

表3提供了一个初步答案。州级县级联邦储备银行的MEI（1）FE（2）FE（3）FE（4）FE（5）FE（6）FE（7）FE（8）Fedath风险(χ)-（1.56）0.61（1.56）0.61（1.60）0.61（1.81）Δ（1.08）3.22***（1.08）3.22***（1.08）2.22***（1.08）2.22（1.08）-2.08（1.08）-2.08（1.08）2.08（1.08）-2.02（1.02（1.08）2（1.08）2（1.08）2（1.08）2（1.08）2（1.08）2（1.08）2（1.08）-2.08）2.02（1.08）2.02（1.02（1.08）2（1.08）2（1.08）2（1.08）2（1.08）2（1.08）2（1.08）2（1.08）2（1.08）2（1.08）2.08）2（1.08）2.08）2 Y N N N时间Y Y Y Y N N N状态时间FE N N N Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y郡郡郡。R0.96 0.96 0.96 0.96 0.82 0.82 0.82 OBS 1530 1530 1530 1530 90569 90569注：括号内为聚集标准错误*p < 0.10, **p < 0.05, ***p < 0.01. 因变量是美联储的流动性和参与指数（MEI）。标准化coe根据变量的标准偏差对变量进行缩放得到的系数（%）。表3：关于报告病例和死亡的其他回归结果Goolsbee等人（2020年）构建了一个关于家庭和企业停业令的数据集疫情暴发的头几个月。县一级的封锁与州一级的封锁高度相关，尽管并不完美。此外，在2020年末，一些州开始实施地方封锁和留在家中的命令，其程度与邮政编码一样精细。这将使提议的身份无效更多最新数据。例如，di不同的个体会感知死亡风险这取决于一系列广泛的协变量，这些协变量可以系统地呃，横跨各县。Erst的四列使用了州一级的数据，表明虽然病例和死亡与经济活动呈负相关，但它们往往会失去重要的影响当我对感知风险的测量被纳入回归中时，它会变小。e最后四列重复了县级的演习。