用残差项收缩程度衡量流动的作用
这篇论文问的是一个范围很窄的问题:SARS-CoV-2传播的短期波动中,有多少可以由观测到的人口流动变化来解释?为此,作者构建了一个更新模型(renewal model),这是流行病学的标准框架,即新感染由既往感染按代际间隔加权生成;他们又加入了预期会影响短期传播的机制:易感者耗竭、传播力和免疫逃逸程度不同的竞争性变异株,以及变异株特异性免疫。
关键的测量设计是第二个刻意非机制性的项。这个残差缩放过程吸收模型机制部分无法复现的逐周传播变异,并由一个离散度参数控制它被允许引入多少变异。随后作者在每个国家加入流动数据重新运行模型,看这个离散度参数是否下降。下降意味着模型需要更少的未解释波动空间,也就是流动数据携带了关于传播的信息。把不含流动和含流动的运行配对后得到的比值大于一,被解读为纳入流动有帮助的证据。
比值大于一才说明有解释价值
离散度比值容易被误读为流动的效应量,但它不是。它比较的是同一国家和同一流动序列下,不含流动的运行与含流动的运行中残差离散度参数的后验分布,并报告配对比值的中位数。数值大于一说明纳入流动减少了非机制部分必须提供的变异。
这一设计也意味着论文衡量的是特定模型、特定时间窗内的解释价值。分析从人均死亡率首次达到每百万人两例开始,到疫苗接种覆盖率首次达到5%为止;对新加坡和大洋洲,则选取覆盖率已高且稳定、既往自然免疫较低的时期。作者刻意排除了疫苗快速推广期,因此结果描述的是类似疫苗接种前阶段的传播动态,而非整个大流行。
高收入地区的对应关系最清晰
对西欧、斯堪的纳维亚和北美的大多数国家,纳入加权Google流动数据或任一Facebook指标后,离散度后验明显降低。南美太平洋沿岸部分国家和圭亚那地区、东南部非洲部分地区、土耳其、以色列、韩国、日本、尼泊尔和孟加拉国也是如此。在这些环境中,不含流动时估计的残差缩放函数在视觉上与流动序列同步,加入流动后大幅减少了对残差项的依赖。
作者特别指出爱尔兰、英国和捷克是纳入流动后显著降低对非机制部分依赖的案例。他们将其解释为:在这些国家的疫苗接种前时期,流动可能解释了新变异株之外短期传播变异的主要部分。这是作者基于模型结构的解读,不是直接的因果估计。
许多低收入国家几乎没有增益
对东欧、俄罗斯以及南美和非洲许多其余国家,含与不含流动时离散度参数相近,作者报告为没有解释价值改善的证据。许多低收入国家的离散度比值接近一,其中若干国家的流动指数参数也接近零,与检测不到流动效应相符。
论文给出两类解释,但没有完全区分。一是流行病学联系确实更弱:在低收入环境中,维持生计、照护和非正式工作的接触可能对传播很重要,却不太会随行为改变而变化,即使总体流动出现波动。二是数据质量:在智能手机使用人群和平台使用率变化的地方,流动数据集代表性可能更低或更不稳定;部分Google类别出现强烈的长期上升趋势,与已知的人口移动变化不符,且在Facebook数据中不存在,提示这反映的是数据采集或地点分类的变化,而非真实行为变化。
流动指数从线性延伸到二次方
在纳入流动的分析中,模型估计了一个指数,用来决定原始流动序列需要被压缩或扩展多强才能与传播对齐。该指数被赋予0到2的均匀先验,覆盖无效应、线性映射和二次效应。多数离散度降低的高收入国家,其指数落在0.8到2之间,意味着线性到二次方的映射。
作者指出,二次关系在流行病学上合理,因为流动减少可能同时影响传染者和被传染者;而如果感染者本身社会活动很少、流动序列反映的是其余人群的接触率,则可能出现线性效应。他们还提醒,流动指标变异减少可能人为抬高所需指数。其结论是,不能假定行为改变的公共卫生影响与流动指标成简单比例关系。
公园很少承载传播信号
Google分析为六类地点各估计一个权重,权重越高,说明该地点的指标对与传播变异对齐的复合流动函数贡献越大。在许多高收入国家,公园权重的众数接近零,包括奥地利、德国、法国、英国、加拿大、美国、以色列、土耳其和韩国。
部分国家住宅流动的权重趋于更高,作者部分归因于非住宅流动的急剧下降超过了传播的下降幅度,因此需要抵消。他们还提出,在喀麦隆等一些亚洲和非洲环境中,住宅权重较高可能反映该指标在传播缓慢变化时本身变化更平滑。爱尔兰的零售和休闲权重接近上限一。
没有哪种流动数据处处最优
论文证据图的右下角记录了哪种方案产生最低的离散度参数。加权Google流动在31个国家最优,包括欧洲、中东、中美洲、大洋洲许多国家和日本。Facebook单点流动在34个国家最优,包括印度以及东欧、西非和北美若干国家。Facebook到访点流动仅在10个国家最优,包括东南部非洲几个相邻国家。不含流动的分析在47个国家被优先选择,包括俄罗斯联邦、印度尼西亚以及非洲和东欧部分国家。
作者还报告,Google和Facebook数据总体结论相似;在存在强烈长期上升趋势的国家对Google指标去趋势,对离散度分布影响很小。加入感染后免疫衰减的稳健性检验使残差缩放函数和离散度后验基本不变;可识别性分析则用合成数据重新拟合模型,只放开残差更新和流动指数。
政策效应不在这个模型之内
论文明确表示只处理政策链条中的一环。政策要改变大流行走向,必须先产生行为改变,行为改变再降低传播;本分析只针对第二环。模型没有纳入检测率变化、接触者追踪或临床护理改善,也没有模拟覆盖率未达5%之前的疫苗接种效应。
因此实际解读要视环境而定。在离散度比值明显高于一、指数大致在0.8到2之间的地方,如许多西欧和北美国家,流动指标确实携带了短期传播的信息,接近比例到二次方的映射是更好的默认假设。在比值接近一、指数趋近零的地方,如许多非洲和南亚环境,不应假定同一流动序列能追踪传播;论文给出的候选解释是流行病学联系更弱或设备数据代表性更差,而不是已证明不存在行为效应。
本文引用的文献
Evaluating the effects of population mobility on transmission during the COVID-19 pandemic
在122个国家中,把流动数据加入更新模型后,残差传播离散度在西欧和北美下降最明显,多数高收入环境的流动指数为0.8到2;但在西非、阿拉伯半岛、东欧和南美许多国家几乎没有解释增益。
