报告序号
|
报告截止日期
|
新冠肺炎确诊病例(n0)
|
14天后确诊病例(n14)
|
一个潜伏期后的比率(n14/n0)
|
163
|
2020/7/1
|
10357662
|
13150645
|
1.2696538
|
164
|
2020/7/2
|
10533779
|
13378853
|
1.2700905
|
165
|
2020/7/3
|
10710005
|
13616593
|
1.2713900
|
166
|
2020/7/4
|
10922324
|
13876441
|
1.2704660
|
167
|
2020/7/5
|
11125245
|
14043176
|
1.2622802
|
168
|
2020/7/6
|
11327790
|
14348858
|
1.2666953
|
169
|
2020/7/7
|
11500302
|
14562550
|
1.2662754
|
170
|
2020/7/8
|
11669259
|
14765256
|
1.2653122
|
171
|
2020/7/9
|
11874226
|
15012731
|
1.2643124
|
172
|
2020/7/10
|
12102328
|
15296926
|
1.2639656
|
173
|
2020/7/11
|
12322395
|
15581009
|
1.2644465
|
174
|
2020/7/12
|
12552765
|
15785641
|
1.2575429
|
175
|
2020/7/13
|
12768307
|
16114449
|
1.2620662
|
176
|
2020/7/14
|
12964809
|
16341920
|
1.2604829
|
同样为了研究的现实意义考虑,笔者在分析比率与新冠肺炎病例数量的关系时会考虑一个潜伏期14天的情况。
同样为了研究的现实意义考虑,笔者在分析比率与新冠肺炎病例数量的关系时会考虑一个潜伏期14天的情况。
根据表2,首先对7月1-14日的确诊病例(n0)与一个潜伏期后的比率(n14/n0)进行简单线性回归分析,一个潜伏期后的比率y与当天确诊病例x间的关系为y=A+Bx:A=1.312995=131.2995%,B=-4.098500×10^-9(相当于每增加一千万病例比率直接减去4.10%),相关系数r=-0.848913,相关系数平方为0.720653。
-0.95,说明最近一两个潜伏期内比率y与确诊病例高度负相关。这意味着从全球范围来看疫情有好转的可能,至少近期指数爆发的可能性较低。得到的关系式能解释比率变化的72.1%——超过7/10不到3/4,可以在一定程度上说明问题,但可靠性也有没多高,所以后面给出的计算结果只有参考意义。
当y=1时,理论上疫情就不会发展了,这时A+Bx=1,最终病例x=-(A-1)/B,带入数值可知最终会有确诊病例约7637万例。
对7月1-14日的情况进行回归分析时,用到了7月28日的确诊病例数量,这是本次预测中涉及到的最有时效性的数据,在预测未来时应当重点运用。当日新冠肺炎确诊病例为16341920例,根据回归分析的结果,一个潜伏期后的比率为1.2460179,16341920×1.2460179=20362325,预测14天后的8月11日确诊病例为20362325例。利用这个结果,可以再次求得一个潜伏期后的比率,进而预测8月25日的确诊病例为25036299例。依此类推,可以预测多个潜伏期以后的新冠肺炎确诊病例数量,结果如表3: |