Chad-Jones en Es

Estimación y simulación de un modelo SIRD
de COVID-19 para muchos países, estados y ciudades
Charles I. Jones ∗
Stanford GSB y NBER
2 de mayo de 2020 — Versión 1.0
Resumen
Utilizamos datos sobre muertes en la ciudad de Nueva York, varios estados de EE. UU. Y varios países del
mundo para estimar un modelo epidemiológico estándar de COVID-19. Permitimos una tasa de contacto que varía
con el tiempo para capturar los cambios inducidos por el comportamiento y la política asociados con el
distanciamiento social. Simulamos el modelo para considerar posibles futuros para varios países, estados y
ciudades, incluido el impacto potencial de la inmunidad colectiva en la reapertura. Se supone que nuestra tasa de
mortalidad inicial (IFR) actual es del 0,8%, pero reconocemos que existe una incertidumbre sustancial sobre este
número. Nuestro modelo ajusta los datos de muerte igualmente bien con tasas de mortalidad alternativas de 0.3% o
1.0%, por lo que este parámetro no se identifica en nuestros datos. Sin embargo,
∗ Agradecemos a Leopold Aschenbrenner, Sebastian Di Tella, Bob Hall, Pete Klenow, Chris Tonetti, Eran Yashiv, y a los participantes en el
almuerzo macro de Stanford por sus útiles comentarios y a Ryan Zalla por su excelente asistencia en la investigación. Puede encontrar un panel de
control con resultados para más de 100 países, estados y ciudades en nuestra página web, aquí .
ESTIMAR Y SIMULAR UN MODELO SIRD 1
1) Introducción
Utilizamos datos sobre muertes en la ciudad de Nueva York, varios estados de EE. UU. Y varios países del mundo para
estimar un modelo epidemiológico estándar de COVID-19. En relación con los marcos existentes, nuestras contribuciones
son
• No utilizamos datos sobre casos o pruebas debido a la selección diferencial en las pruebas en diferentes ciudades,
estados y países. En cambio, solo usamos datos sobre muertes.
• Estimamos un tiempo variable R 0 0 para capturar los cambios en el comportamiento y la política que ocurren en diferentes
momentos y con diferentes intensidades en diferentes lugares.
• Mostramos cómo simular nuestro modelo después de que una ubicación haya alcanzado un pico en la cantidad de muertes
diarias da como resultado resultados muy estables en el tiempo. Por el contrario, simulaciones del futuro. antes de Un lugar
que alcanza su punto máximo es extremadamente ruidoso y sensible a los choques diarios.
• Nuestros modelos nos permiten reducir el porcentaje de personas infectadas o susceptibles y, por lo tanto, estimar el
grado en que los efectos de la inmunidad colectiva son grandes. Encontramos grandes efectos en la ciudad de Nueva
York, efectos notables en Italia y España, y efectos insignificantes en el estado de Nueva York fuera de la ciudad de
Nueva York y en lugares como California y Suecia.
No somos epidemiólogos, por lo que estos resultados deben interpretarse con precaución y cuidado. Estudiamos un
modelo estándar de COVID-19 utilizando herramientas comunes en econometría y luego analizamos sus principales
implicaciones cuantitativas de manera similar a cómo los economistas estudian otros modelos dinámicos. Nuestro ejercicio
puede ayudarnos a comprender dónde un modelo SIRD simple tiene dificultades para ajustar patrones observados en los
datos y señala vías de mejora mientras se mantienen las virtudes de la simplicidad y la parsimonia. Planeamos actualizar
estos resultados regularmente en nuestro página web , donde también informamos hallazgos adicionales para muchos otros
países y estados.
2. Revisión de la literatura
Gran parte del estudio matemático de la propagación de enfermedades infecciosas parte de los modelos
compartimentales clásicos de Kermack y McKendrick ( 1927 ) y Kermack y

2
McKendrick ( 1932 ) Estos modelos dividen a la población en varios compartimentos diferentes (p. Ej., Susceptibles,
infecciosos, recuperados, fallecidos, ...) y especifican cómo los agentes se mueven a través de los compartimentos
separados con el tiempo. 1 El modelo epidémico de SIRD que analizamos en este artículo es uno de los modelos
compartimentales más simples. Hecote
( 2000 ) presenta una visión general útil de esta clase de modelos y algunas de sus propiedades teóricas, Brauer y col. ( 2019
) es un libro de texto reciente y completo del campo, y
Equipo de respuesta COVID-19 de Imperial College ( 2020 ) es un ejemplo de cómo estos epidemiólogos han aplicado
estos modelos para comprender la crisis de salud actual.
El agudo impacto económico de la pandemia actual ha generado mucho interés entre los economistas en explorar
modelos compartimentales y cómo pueden integrarse en modelos económicos estándar y estimarse utilizando técnicas
econométricas. (ver Valores , 2020 y Avery y col. , 2020 , para dos encuestas generales sobre cómo los economistas han
abordado este tema).
Primero, los economistas han argumentado que muchos de los parámetros que controlan el movimiento entre
compartimentos no son estructurales en el sentido de Hurwicz ( 1962 ), pero dependen, en cambio, de decisiones y
políticas individuales. Por ejemplo, la tasa de contacto que determina el número de nuevas infecciones es una función
de la oferta de trabajo endógeno y las elecciones de consumo de los individuos. Por lo tanto, la tasa de contacto puede
estudiarse con modelos estándar de teoría de la decisión. Ver, por ejemplo, Eichenbaum y col.
( 2020 ) y Farboodi, Jarosch y Shimer ( 2020 ) Además, las tasas de recuperación y mortalidad no son solo parámetros
clínicos, sino que pueden ser funciones de decisiones políticas, como la capacidad ampliada del hospital de emergencia
o las prioridades con respecto a la asignación de recursos médicos escasos. De manera similar, el índice de letalidad,
una cifra clave para evaluar la gravedad de la epidemia, es una función compleja de factores clínicos (p. Ej., La
gravedad de un virus) y el mecanismo demográfico y de selección por enfermedad, que son en parte el producto de
elecciones endógenas ( Korolev , 2020b ) 2 Nuestro artículo se basa en estas ideas al permitir que las tasas de infección se
vean influenciadas por el distanciamiento social y al permitir que muchos parámetros varíen entre países, estados y
ciudades, lo que puede representar la heterogeneidad demográfica y política.
1 Antes de las contribuciones de Kermack y McKendrick, William Farr (1807-1883) había observado que las epidemias tienden a seguir una curva
gaussiana; sin embargo, nunca presentó un mecanismo formal para dar cuenta de ese patrón.
2 Más precisamente, el índice de letalidad no es el efecto promedio del tratamiento sobre el tratado (ATET), un concepto más explícitamente
"causal".
En segundo lugar, los economistas se han preocupado por los problemas de identificación de los modelos
compartimentales. Muchos de estos modelos no se identifican o se identifican débilmente, con muchos parámetros que se
ajustan a los datos observados hasta ahora igualmente bien pero tienen consecuencias a largo plazo considerablemente
diferentes. Atkeson ( 2020 ) y Korolev ( 2020a ) documente este argumento con más cuidado. Nuestros hallazgos corroboran este
resultado y resaltan la necesidad de desarrollar enfoques econométricos alternativos.
En tercer lugar, algunos investigadores han abandonado completamente el uso de modelos compartimentales. En cambio,
se han basado en modelos de series temporales de la tradición econométrica. Ver, por ejemplo, Linton ( 2020 ) y Kucinskas ( 2020 )
Cerremos esta sección señalando que los economistas están impulsando el estudio de modelos compartimentales
en una multitud de dimensiones. Acemoglu y col. ( 2020 ) y
Álvarez y col. ( 2020 ) caracterizan la política de bloqueo óptima para un planificador que quiere controlar las muertes de
Alvarez
una pandemia y, al mismo tiempo, minimiza los costos de salida del bloqueo. Berger y col. ( 2020 ) analizan el papel de
las pruebas y las cuarentenas dependientes de casos. Bethune y Korinek ( 2020 ) estiman las externalidades de
infección asociadas con COVID-19 y encuentran que son grandes. Bodenstein y col. ( 2020 ) combinan un modelo
compartimental con un modelo de equilibrio general dinámico multisectorial para capturar las características clave de
las tablas de entrada y salida de EE. UU. Garriga, Manuelli y Sanghi ( 2020 ),
Hornstein ( 2020 ) y Karin y col. ( 2020 ) estudian una variedad de políticas de contención. Toda
( 2020 ), además de estimar un modelo SIRD como lo hacemos, explora la política de mitigación óptima que controla el
momento y la intensidad del distanciamiento social. Cada día aparecen más periódicos.
3. Un modelo SIRD con distanciamiento social
Seguimos la notación estándar en la literatura. Hay una población constante de norte
personas, cada una de las cuales puede estar en uno de los cinco estados:
S t + yo t + R t + re t + C t = norte
Los estados, en orden temporal, son

44
St = Susceptible
yo t = Infeccioso
R t = Resolviendo
re t = Muerto
C t = Recuperado
Una persona susceptible contrae la enfermedad al entrar en contacto "adecuado" con una persona infecciosa, que se supone
ocurre a un ritmo β t yo t / NORTE, dónde β t es un parámetro de velocidad de contacto variable en el tiempo. Varía con el tiempo para
capturar cambios de comportamiento como el distanciamiento social. En particular, suponemos que
β t = β 0 0 mi - λt + β ∗ ( 1 - mi - λt)
Eso es el β t El proceso se caracteriza por tres parámetros clave. Hay un valor inicial β 0 0 y un valor final β ∗, y β t decae
exponencialmente de β 0 0 a β ∗ a ritmo λ.
Pensamos en β 0 0 como características de captura de la enfermedad, características fijas de la región, tales como densidad
y costumbres básicas en la región. Entonces, β ∗ es un parámetro clave de política y comportamiento: cuán fuerte es el
distanciamiento social que adoptan las diferentes ubicaciones, ya sea por política o simplemente por cambios voluntarios
en el comportamiento individual. Finalmente, λ gobierna la velocidad a la cual ocurre este ajuste. 3
El número total de nuevas infecciones en un momento determinado es β t yo t / norte · S t. La infecciosidad se resuelve al ritmo de Poisson
γ, entonces el número promedio de días que una persona es infecciosa es 1 / γ:
p.ej γ = . 2 ⇒ 5 5 dias.
Una vez finalizado el período infeccioso, una persona se encuentra en el estado "Resolviendo", R. Una fracción constante, θ, de
personas salen de este estado cada período, y el caso se resuelve de una de dos maneras:
Muerte : fracción δ
Recuperación : fracción 1 - δ
En nuestro análisis preliminar, encontramos que es importante tener un modelo que distinga entre los períodos
infecciosos y de recuperación. Esta distinción es clave para combinar los datos con valores de parámetros
biológicamente plausibles. En particular, parece que el período infeccioso dura en promedio de 4 a 5 días, mientras que
los casos toman un total de
3 Intentamos especificaciones alternativas para la evolución de β t, incluyendo saltos discretos al momento de la introducción de las órdenes de refugio en el
lugar. Encontramos que esas alternativas se ajustan peor a los datos, tal vez reflejando nuestra opinión de que λ también codifica decisiones individuales que
probablemente evolucionen más suavemente con el tiempo.

alrededor de 2 a 3 semanas o incluso más para resolver ( Bar-On y col. , 2020 ) Si se supone que las personas son infecciosas durante
todo este período, el modelo tiene problemas para ajustar los datos, como discutimos más adelante.
Las leyes de movimiento relacionadas con el virus son dadas por
∆ S t + 1 = - βS t yo t / norte
︸︷︷︸
nuevas infecciones
∆ yo t + 1 = βS t yo t / norte - γI t
︸︷︷︸︸︷︷︸
nuevas infecciones resolviendo infeccioso
∆ Rt+1= γI t - θR t
︸︷︷︸︸︷︷︸
resolviendo infeccioso casos que resuelven
∆ re t + 1 = δ θR t
︸︷︷︸
morir
∆ C t + 1 = ( 1 - δ) θR t
︸︷︷︸
recuperado
Asumimos que las existencias iniciales de defunciones son iguales a cero. El stock inicial de infecciones y resolución de
casos, YO( 0) y R ( 0), son parámetros que estimaremos.
3.1 Propiedades básicas de un modelo SIRD estándar
Aquí revisamos las propiedades básicas de este modelo cuando β t = β y las ecuaciones de diferencia se reemplazan por
ecuaciones diferenciales ( Hecote , 2000 ) Una convención en el modelo epidemiológico es reciclar la notación y dejar R 0 0 denotar
el número esperado de infecciones generadas por la primera persona enferma cuando s 0 0 ≡ S 0 / norte ≈ 1:
R00 = β × 1/γ
# #de infecciones de # de contactos # de días que los

largos por contactos son
un enfermo
infecciosos
persona día
Más generalmente, si R 0 0 s 0> 1, la enfermedad se propaga, de lo contrario, disminuye rápidamente. Uno puede ver en esta
simple ecuación por qué R 0> 1 es muy natural: si las personas son infecciosas durante 5 días y tienen contactos prolongados con
solo dos personas nuevas por día, por ejemplo, entonces R 0 = 10)
66
Como se muestra Hecote ( 2000 ), la tasa de crecimiento exponencial inicial de las infecciones es β -
γ = γ (R 0 0 - 1) Otro resultado útil de estos modelos se refiere al número a largo plazo de personas que alguna vez se
infectaron (y, por lo tanto, la fracción δ de estos da la tasa de mortalidad a largo plazo). Como t → ∞, la fracción total de
personas infectadas, mi ∗, resuelve (suponiendo
s 0 0 ≈ 1)
mi ∗ = - 1 log (1 - mi ∗)
R00
En otras palabras, con una constante β, el largo número de personas que alguna vez han sido infectadas está determinado por R 0; Los
parametros γ y θ solo afecta el tiempo, manteniendo R 0 0 constante. La tasa de mortalidad a largo plazo es entonces δe ∗, así que esto
también depende solo de R 0 ( y δ).
Esto explica por qué modelar el cambio β asociado con el distanciamiento social es muy importante. Con una
constante β, La tasa de explosión inicial de la enfermedad implica un valor para β y luego todas las variables en el
sistema diferencial se determinan en ese punto. En cambio, un cambio β permite que la tasa de crecimiento exponencial
inicial de las muertes sea diferente de las propiedades a largo plazo del sistema, que es el punto de distanciamiento
social.
4. Estimación: países y estados
Se supone que los siguientes parámetros son principalmente biológicos y, por lo tanto, fijos con el tiempo y los mismos
en todos los países y regiones:
• γ = 0.2: En la versión de tiempo continuo de este modelo, el tiempo promedio que una persona es infecciosa es 1 / γ, entonces
5 días en nuestra línea de base, consistente con la evidencia en Bar-On, Flamholz, Phillips y Milo ( 2020 ) También
consideramos γ = 0.1 ( 10 días de duración). los γ = 0.2 0.2 se ajusta un poco mejor, como se muestra a continuación, pero
no está particularmente bien identificado. 4 4
• θ = 0.1: En la versión de tiempo continuo de este modelo, el tiempo promedio que tarda un caso en resolverse,
después de que finaliza el período infeccioso, es 1 / θ. Con θ = . 1, Este período tiene un promedio de 10 días.
Combinado con el período infeccioso de 5 días, esto implica
44 Tenga en cuenta que γ también incorpora opciones de individuos y que, por lo tanto, no se limita a precisar por observaciones clínicas. Si una
persona experimenta síntomas o sospecha que podría ser infecciosa, por lo tanto, se retira de los contactos efectivos con personas susceptibles,
podemos considerar que su caso se ha resuelto a los efectos de la dinámica del modelo, incluso si todavía está bajo una condición clínica. .
que el caso promedio demora un total de 15 días en resolverse. La distribución exponencial implícita incluye una
larga cola que puede considerarse como una captura del hecho de que algunos casos tardan aún más en
resolverse.
• δ = 0.8%: Este parámetro es crucial y sería genial tener una buena estimación de él. Las tasas de letalidad no son
útiles, ya que no tenemos una buena medida de cuántas personas están infectadas. Las pruebas aleatorias de
anticuerpos para detectar cuántas personas han sido infectadas serían bastante informativas sobre este
parámetro. En el borrador anterior de este documento, nuestra tasa de referencia fue de 0.3% basada en la
evidencia (a continuación) de California y Heinsberg. Sin embargo, la nueva evidencia de Nueva York sugiere una
mayor tasa de mortalidad del 0,8%. Vemos esto como la mejor estimación actual. Sin embargo, también
informaremos los resultados de δ = 0.3% mientras esperamos mejores estimaciones. 5 5
1. El 23 de abril, el gobernador Andrew Cuomo anunció resultados preliminares que sugieren que el 21% de los residentes de
la ciudad de Nueva York sometidos a pruebas al azar en supermercados y grandes tiendas tenían anticuerpos contra
COVID-19. De acuerdo a Departamento de salud de Nueva York ( 2020 ), se necesitan entre 3 y 4 semanas para que se
formen estos anticuerpos, por lo que esto sugiere que alrededor del 1 de abril, el 21% de los residentes de Nueva York
estaban "infectados" Como se analiza más adelante, nuestra estimación de Nueva York requiere una tasa de mortalidad
de alrededor del 0,8% para que coincida con esta evidencia. Además, esta tasa de mortalidad es coherente con los
cálculos de las tasas de mortalidad al final del sobre utilizando el número de muertes y la tasa de infección del 21%.
2) Sutton, Fuchs, D'Alton y Goffman ( 2020 ) en un Estudio NEJM de 215 madres
dar a luz en Nueva York encontró una tasa notablemente alta de 15 por ciento actualmente infectado del 22 de
marzo al 4 de abril. Esto es ampliamente consistente con la tasa de infección del 21% del informe de Cuomo
anterior, aunque tal vez sea un poco más alto de lo que uno podría haber esperado.
3. Otros dos estudios recientes del condado de Santa Clara y Los Ángeles, dos de los lugares más afectados
en California, sugieren que alrededor del 2.5% al 5% de las poblaciones allí habían sido infectadas a
principios de abril ( Bendavid y col. , 2020 ) Dado el bajo número de muertes en estos lugares, estas tasas
de infección también son
55 Hortasu, Liu y Schwieg ( 2020 ) estiman un IFR de 0.3% utilizando datos de viajeros de Islandia.
8
consistente con una tasa de mortalidad de alrededor del 0.3%. Desafortunadamente, debido a que la tasa de infección
es tan baja en California, si la tasa de error de la prueba es de alrededor del 3%, esta evidencia podría ser consistente
con casi cualquier tasa de mortalidad, por lo que no es decisiva.
4. Un informe reciente de pruebas aleatorias en Heinsberg, Alemania, implicó una tasa de amortización del
0,37%, pero este estudio parece haber sido muy criticado.
Exploramos la robustez a diferentes valores de estos parámetros.
Se supone que los siguientes parámetros varían según los países / estados y se estima que minimizan un criterio
de suma de residuos al cuadrado:
• β 0 0 y β ∗: Las tasas de contacto, influenciadas por cambios de comportamiento y distanciamiento social. Porque R 0
0≡ β / γ, estos parámetros se asignan a R 0 0 y R ∗
0 0 en el
números que informamos a continuación. Los países, las regiones y las ciudades difieren en densidad, cultura y clima, y cada uno
de estos factores puede contribuir a las diferencias en R 0. Piensa en lo diferente que es la vida en la ciudad de Nueva York versus
Denver versus la zona rural de Oregon. Los cambios en el comportamiento a lo largo del tiempo y los cambios en las políticas
hacia el distanciamiento social implican diferencias en R ∗
0 0 también.
• λ: La velocidad a la que un país o región realiza la transición de R 0 0 a R ∗ 0. Algunos paises
adoptó políticas de distanciamiento social antes que otras, y diferencias en λ puede ayudar a capturar este hecho.
• yo 0: El número inicial de infecciones. Este parámetro es crucial para obtener el momento adecuado.
• R ( 0): El número inicial de casos en recuperación. Nosotros definimos R ( 0) = ηI 0 0 y estimar η
sujeto a la restricción que 0 0 ≤ η ≤ 1, de modo que el número inicial de casos en recuperación es menor que el
número inicial de casos infecciosos.
La función objetivo que usamos en la estimación es el ajuste de muertes acumuladas (en registros) y muertes diarias
(en registros). Usamos la suma de los residuos al cuadrado para cada serie, sumados con pesos iguales.
Datos. Nuestros datos se toman del repositorio de GitHub de Universidad CSNS de Johns Hopkins ( 2020 ), que informa
diariamente números de muertes acumulados para países, estados, países

lazos y provincias en todo el mundo. Manipulamos estos datos de tres maneras importantes antes de introducirlos en el
modelo. Primero, el 15 de abril, la ciudad de Nueva York agregó más de 3,500 muertes a sus recuentos, aumentando el total
en más del 43%. Por lo tanto, aplicamos este mismo factor de proporcionalidad (1.4325) a las muertes antes del 15 de abril
para obtener una serie de tiempo consistente para la ciudad de Nueva York. Segundo, El economista ( 2020 ) informa que
deben realizarse ajustes similares en otros países. En particular, los registros de estadísticas vitales en países como España,
Italia, Inglaterra, Francia y Suecia sugieren que el "exceso de muertes" en relación con un promedio en los últimos años
excede las muertes atribuidas oficialmente a COVID-19 por un amplio margen. Por lo tanto, aumentamos las muertes en
todas las ubicaciones fuera de la ciudad de Nueva York en un 33% para todas las fechas. 6 6 Finalmente, hay pronunciados
"efectos de fin de semana" en los datos sin procesar: hay días, a menudo el fin de semana, en medio de la pandemia cuando
un país informa cero muertes, solo para compensar esto con un aumento en las muertes en los días posteriores. .
Inicialmente ejecutamos el modelo con estos datos en bruto, y funciona bien. Sin embargo, la aplicación de un promedio
móvil centrado de 5 días a los datos produce resultados más estables, por lo que hacemos este ajuste final.
Guía de gráficos. Presentamos nuestros resultados en varios gráficos para cada país y región. Estos incluyen muertes
acumuladas hasta la última fecha, muertes diarias (datos y simulación hacia adelante) y muertes acumuladas que simulan
hacia adelante. Los datos se muestran como círculos azules o barras azules y las simulaciones son líneas continuas.
Cada gráfica puede tener varias líneas, típicamente por una de dos razones. En algunos gráficos, mostramos las
simulaciones de los últimos siete días. Esto proporciona una evaluación intuitiva de cuán sensibles son las
simulaciones a una o dos observaciones recientes. En otros gráficos, mostramos alternativas para los valores de
referencia, "alto" y "bajo" de ciertos parámetros.
En estos gráficos con varias líneas, utilizamos un esquema de color "arcoíris". Esto es más fácil de ilustrar en el
caso en que informamos simulaciones de los últimos siete días. Los colores del arco iris se ordenan de acuerdo con
ROYGBIV: rojo, naranja, amarillo, verde, azul, índigo, violeta. Seguimos este orden del más antiguo al más reciente.
Las únicas excepciones que hacemos es que "azul" e "índigo" se colapsan en un solo color, y el
66 Katz y Sanger-Katz ( 2020 ) sugieren que el exceso de muertes en la ciudad de Nueva York podría ser incluso mayor que
los números ya ajustados revelados hasta el momento: reportan 20,900 muertes en exceso para el 26 de abril, en comparación con
16.673 en los recuentos oficiales.
10
Figura 1: Ciudad de Nueva York: Muertes acumuladas por millón de personas ( δ = 0.8% / 0.3% / 1.0%)
Nueva York (solo)

R 0 = 4.1 / 0.5 / 0.5 = 0.008, = 0.11, = 0.1,% de infección = 31/31/31
2500
DATOS HASTA EL 29 DE ABRIL DE 2020
2000
Muertes acumuladas por millón de personas
1500
1000
500
0
Mar 15 Mar 22 Mar 29 Abr 05 Abr 12 Abr 19 Abr 26 03 de mayo
de 2020
La simulación más reciente (o valor de referencia) siempre se muestra en negro.
En los gráficos con tres líneas, la línea negra es el valor de referencia, la línea roja es un valor "bajo" del parámetro
y la línea verde es un valor "alto", respetando también este orden de arco iris.
4.1 Línea de base
Cifras 1 , 2 y 3 mostrar resultados para la ciudad de Nueva York. La línea negra es el caso de la línea de base, con valores de
parámetros y estimaciones reportados en el subtítulo a la figura. Esta figura muestra resultados para tres valores de δ - .008,
.003 y .01. Para el valor de referencia de δ = 0.8%, Las estimaciones sugieren que Nueva York comenzó con
R 0 = 4.1, de modo que cada persona infectada transmitió la enfermedad a casi cinco al comienzo. Esta estimación concuerda
con otros hallazgos recientes y es particularmente plausible para un área metropolitana de alta densidad como la ciudad de
Nueva York. 7 7 Se estima que el distanciamiento social redujo este valor a 0.5 para el 29 de abril, con una velocidad de ajuste λ
alrededor del 11 por ciento por día. Cualquiera de los valores más altos de δ como 1% o valores inferiores como 0.3% pueden
77 Por ejemplo, Sanche, Lin, Xu, Romero-Severson, Hengartner y Ke ( 2020 ) estimar una aún mayor
mediana R 0 0 valor de 5,7 durante el inicio de la epidemia en Wuhan.

Figura 2: Ciudad de Nueva York: Muertes diarias por millón de personas ( δ = 0.8% / 0.3% / 1.0%)
Nueva York (solo)

R 0 = 4.1 / 0.5 / 0.5 = 0.008, = 0.11, = 0.1,% de infección = 31/31/31
90
80
70
60
Muertes diarias por millón de personas.
50
40
30
20
10
0
Mar 16 Mar 30 Abr 13 Abr 27 11 de mayo 25 de mayo 08 de junio
de 2020
también se ajustan a estos datos: las tres líneas (negra, roja y verde) están una encima de la otra en la Figura 1 - entonces este
parámetro no está identificado.
A continuación, observe que con estas estimaciones, se estima que el 31 por ciento de la ciudad de Nueva York alguna vez se
haya infectado antes del 29 de abril. δ = 0.8%, nuestro modelo implica que este número para el 1 de abril fue del 20%. Esto se compara
muy bien con el reciente anuncio preliminar del Gobernador Cuomo de que al 20 de abril, aproximadamente el 21% de los residentes
de la ciudad de Nueva York dieron positivo por anticuerpos contra COVID-19. Debido a que los anticuerpos solo aparecen de 3 a 4
semanas después de la infección, estas pruebas de anticuerpos realmente nos dicen cuál fue la tasa de infección de 3 a 4 semanas
antes ( Departamento de salud de Nueva York , 2020 ) Figura 2 muestra el número diario de muertes (por millón de habitantes) en
Nueva York, tanto en los datos como en estos mismos tres valores de parámetros. Aquí es evidente una vez más que las tres tasas de
mortalidad pueden ajustarse igualmente bien a los datos.
Figura 3 luego muestra las muertes acumuladas por millón, ejecutando la simulación hacia adelante en el tiempo. Uno
podría haber pensado que las diferentes tasas de mortalidad implicarían futuros muy diferentes. Sin embargo, reestimamos
todos los parámetros cuando imponemos las diferentes tasas de mortalidad, y todos terminan produciendo futuros similares en
este caso. En particular, las simulaciones implican una tasa de mortalidad a mediados de mayo de alrededor de 2500 personas
por millón.
12
Figura 3: Ciudad de Nueva York: Muertes acumuladas por millón (futuro, δ = 0.8% / 0.3% / 1.0%)
Nueva York (solo)

R 0 = 4.1 / 0.5 / 0.5 = 0.008, = 0.11, = 0.1,% de infección = 31/31/31
0.01
0.003 ==
= 0.008
2500
2000
1500
1000
500
0
Mar 15 Mar 29 Abr 12 Abr 26 10 de mayo Mayo 24 Jun 07
2020
Con una población de más de 8 millones, esto implica aproximadamente 20,000 muertes.
Las líneas de subtítulos para estas tres figuras también informan el "% infectado" en diferentes fechas. Este es el
porcentaje de personas que se estima que tienen siempre sido infectado con el virus. Para la ciudad de Nueva York, los
números al 29 de abril son del 31 por ciento, y luego, en 30 días, se estima que equivalen al 31 por ciento, que también
es el valor al final de nuestra simulación (el tercer número). Volvemos en la sección 5 5 a las implicaciones de estas altas
tasas de infección para la inmunidad colectiva y la reapertura.
El siguiente conjunto de gráficos muestra resultados para España junto con robustez a diferentes valores de γ, La
velocidad a la que se resuelven los casos. Cifras 4 4 y 5 5 muestra esa γ = 0.2 0.2 ajusta los datos algo mejor que γ = 0.1. Se
estima que España ha reducido R 0 0 desde un valor inicial de 5.2 a 0.6 el 29 de abril. Figura 6 6 sugieren que el número
acumulado de muertes por millón en España puede estabilizarse en alrededor de 700.
A continuación, mostramos cómo los diferentes valores del parámetro de tiempo de recuperación θ afectar nuestros resultados.
Figura 7 7 muestra los números diarios de muertes de Italia. El ajuste es bueno en un rango de valores para θ, incluyendo nuestro valor de
referencia de θ = 0.1 pero también valores de 0,05 ( en rojo) y 0.2 ( en verde).
Como mencionamos en la introducción, nuestro panel en línea contiene información detallada y

Figura 4: España: muertes acumuladas por millón de personas ( γ = . 2 / .1)
España
R 0 = 5.2 / 0.6 / 0.5 = 0.008, = 0.11, = 0.1,% de infección = 9/10/10

0100200300400500600700
Mar 05 mar 12 mar 19 mar 26 Abr 02 Abr 09 Abr 16 Abr 23 30 abr
2020
Figura 5: España: muertes diarias por millón de personas ( γ = . 2 / .1)
España
R 0 = 5.2 / 0.6 / 0.5 = 0.008, = 0.11, = 0.1,% de infección = 9/10/10
30
25
20
15
10
0
Mar 06 Mar 20 Abr 03 Abr 17 01 de mayo 15 de Mayo 29 de mayo
de 2020
Resultados extendidos para más de 100 países, estados y regiones. Planeamos actualizarlo con frecuencia con los
últimos datos:
14
Figura 6: España: muertes acumuladas por millón (futuro, γ = . 2 / .1)
España
R 0 = 5.2 / 0.6 / 0.5 = 0.008, = 0.11, = 0.1,% de infección = 9/10/10
DATOS HASTA EL 29 DE ABRIL DE 2020 0.1
= 0.2 =
0100200300400500600700800900
Mar 05 Mar 19 Abr 02 Abr 16 Abr 30 14 de mayo 28 de mayo
de 2020
Figura 7: Italia: Muertes diarias por millón de personas ( θ = . 1 / .05 / .2)
Italia
R 0 = 4.4 / 0.7 / 0.7 = 0.008, = 0.09, = 0.1,% de infección = 8/9/9
20
18
16
14
12
10
68
24
0
24 de febrero Mar 09 Mar 23 Abr 06 Abr 20 04 de mayo 18 de mayo
de 2020
http://web.stanford.edu/people/chadj/Covid/Dashboard.html .
Figura 8: Italia: muertes acumuladas por millón (futuro, θ = . 1 / .05 / .2)
Italia
R 0 = 4.4 / 0.7 / 0.7 = 0.008, = 0.09, = 0.1,% de infección = 8/9/9
0.2
0.05
= 0.1==

0100200300400500600700
de 2020
dieciséis
4.2 Siete días de simulaciones
Nuestro próximo conjunto de gráficos ilustra cómo cambian las simulaciones a medida que obtenemos más datos. Dos hallazgos clave
surgirán de estos gráficos. Primero, una vez que los países o regiones alcanzan el pico y las muertes comienzan a disminuir, los
pronósticos convergen bien. En segundo lugar, sin embargo, antes de que eso suceda, los pronósticos son muy ruidosos. Esto tiene
sentido: estamos tratando de pronosticar de 30 a 60 días en el futuro con base en datos de 3 a 4 semanas utilizando un modelo muy
no lineal.
Para comenzar, ilustramos el primer punto mostrando las simulaciones de los últimos siete días en España e Italia
en cifras. 9 9 y 10 . Ambos países parecen haber superado su pico de muertes y las simulaciones en el futuro son
relativamente similares en los últimos siete días. Como recordatorio, el orden de las líneas sigue los colores del arco
iris, con el pronóstico más antiguo en rojo.
Nueva York. Las siguientes dos figuras, Figuras 11 y 12 , muestran los resultados para la ciudad de Nueva York ahora ampliamente
definidos para incluir los condados circundantes de Nassau, Rockland, Suffolk y Westchester (que llamamos "Ciudad de Nueva York
(más)" en los gráficos). Al igual que Italia y España, la ciudad de Nueva York ya ha pasado su apogeo, por lo que las previsiones han
convergido bien.
California. El conjunto de gráficos anterior muestra los pronósticos que convergen para España, Italia y Nueva York. El siguiente
conjunto de gráficos muestra la enorme incertidumbre que ocurre antes de que una región haya alcanzado su punto máximo, en este
caso en California.
En figura 13 , las líneas cambian notablemente a medida que cada nuevo día proporciona nuevos datos. aviso
que los últimos valores de parámetros sugieren la R 0 0 cayó en California de 2.8 a 0.9 como resultado del distanciamiento
social y que solo el 1 por ciento de la población de California había sido infectada hasta el 29 de abril. Este número es
ampliamente consistente con los estudios recientes (pero no concluyentes) del condado de Santa Clara y Los Ángeles, dos
de los lugares más afectados en California, que sugirieron que alrededor del 2.5% al 5% de las poblaciones allí habían sido
infectadas ( Bendavid y col. , 2020 ) Figura 14 muestra las fluctuaciones salvajes en los pronósticos de muertes diarias en
California a medida que entran nuevos datos. Observe también que no hay un patrón sistemático. Cuando las muertes son
bajas, las curvas pueden doblarse bruscamente, adivinando que tal vez ha llegado el pico. Y cuando las muertes llegan a un
punto alto, la curva puede doblarse y sugerir un crecimiento exponencial más por venir.
Figura 9: España (7 días): muertes diarias por millón de personas
España
R 0 = 5.2 / 0.5 / 0.5 = 0.008 = 0.11 = 0.1% Infectar = 9/10/10
30
25
20
15
10
0
Mar 06 Mar 20 Abr 03 Abr 17 01 de mayo 15 de Mayo 29 de mayo
de 2020
Figura 10: Italia (7 días): muertes diarias por millón de personas
Italia
R 0 = 4.5 / 0.7 / 0.7 = 0.008 = 0.09 = 0.1% Infectar = 8/9/9
20
18
16
14
12
10
68
24
0
de 2020
18 años
Figura 11: Ciudad de Nueva York (7 días): muertes diarias por millón de personas
Nueva York (más)

R 0 = 4.1 / 0.5 / 0.5 = 0.008 = 0.10 = 0.1% Infectar = 26/26/26
80
70
60
50
40
30
20
10
0
de 2020
Figura 12: Ciudad de Nueva York (7 días): muertes acumuladas por millón (futuro)
Nueva York (más)

R 0 = 4.1 / 0.5 / 0.5 = 0.008 = 0.10 = 0.1% Infectar = 26/26/26
2500
2000
1500
1000
500
0
Mar 15 Mar 29 Abr 12 Abr 26 10 de mayo Mayo 24 Jun 07
2020
Estas rutas muy diferentes se acumulan en pronósticos muy diferentes para el número total de muertes en California, como se
muestra en la Figura 15 . Para el 29 de mayo, los resultados de la simulación sugieren

Figura 13: California (7 días): muertes acumuladas por millón
California
R 0 = 2.8 / 0.9 / 0.7 = 0.008 = 0.05 = 0.1% Infectar = 1/2/2
80
70
60
50
40
30
20
10
0
Mar 06 mar 13 mar 20 mar 27 Abr 03 Abr 10 Abr 17 24 de abril, 01 de mayo
2020
Figura 14: California (7 días): muertes diarias por millón de personas
California
R 0 = 2.8 / 0.9 / 0.7 = 0.008 = 0.05 = 0.1% Infectar = 1/2/2
7
5
0
Mar 07 Mar 21 Abr 04 18 abr 02 de mayo 16 de mayo 30 de mayo
de 2020
entre 100 y 250 muertes por millón. Esto se compara con un stock actual de muertes de alrededor de 50 por millón.
20
Figura 15: California (7 días): muertes acumuladas por millón, escala de registro
California
R 0 = 2.8 / 0.9 / 0.7 = 0.008 = 0.05 = 0.1% Infectar = 1/2/2
Nueva York
4096
2048
1024
512 Italia
256
128
64
32
16
248
1
mar abr Mayo
2020
Reino Unido. Una ilustración similar de esta incertidumbre está presente en los gráficos del Reino Unido. Figura dieciséis muestra
la línea cambiante a medida que entran diferentes números de muertes. Se estima que el porcentaje de personas infectadas
en el Reino Unido es del 8% a partir de abril
29)
Figura 17 muestra las fluctuaciones en los pronósticos de muertes diarias en el Reino Unido a medida que ingresan nuevos
datos. Cuando hicimos estos gráficos hace dos semanas, los pronósticos del Reino Unido eran muy sensibles a cada nuevo día
de datos. Ahora, sin embargo, las simulaciones han convergido muy bien. Tenga en cuenta que las estimaciones de R 0 0 son 4.0
inicialmente y 0.6 para abril
29)
El pronóstico acumulativo se muestra en la Figura 18 años . Primero el número de predichas
las muertes son altas, 700 por millón, muy similar a Italia. En segundo lugar, los pronósticos han convergido: hay 7
líneas en la figura, pero todas se encuentran debajo de la línea de simulación negra.
Estados Unidos. Figura 19 muestra los números diarios de muertes de los Estados Unidos como país. Una vez más,
cuando hicimos este gráfico hace una semana, hubo una gran cantidad de inestabilidad en los 7 días de simulaciones para
los Estados Unidos. Ahora, sin embargo, los siete

Figura 16: Reino Unido (7 días): muertes acumuladas por millón
Reino Unido
R 0 = 4.0 / 0.6 / 0.5 = 0.008 = 0.07 = 0.1% Infectar = 8/9/9
600
500
400
300
200
100
0
Mar 08 mar 15 mar 22 mar 29 Abr 05 Abr 12 Abr 19 26 abr 03 mayo
2020
Figura 17: Reino Unido (7 días): muertes diarias por millón de personas
Reino Unido
R 0 = 4.0 / 0.6 / 0.5 = 0.008 = 0.07 = 0.1% Infectar = 8/9/9
25
20
15
10
0
Mar 09 Mar 23 Abr 06 Abr 20 04 de mayo 18 de mayo 01 junio
2020
las líneas se encuentran una encima de la otra.
El pronóstico acumulado se muestra en la Figura 20 . El número de muertes predichas.

22
Figura 18: Reino Unido (7 días): muertes acumuladas por millón, escala de registro
Reino Unido
R 0 = 4.0 / 0.6 / 0.5 = 0.008 = 0.07 = 0.1% Infectar = 8/9/9
Nueva York
4096
2048
1024
512 Italia
256
128
64
32
16
248
1
mar abr Mayo
2020
Figura 19: Estados Unidos (7 días): muertes diarias por millón de personas
Estados Unidos
R 0 = 6.4 / 0.6 / 0.5 = 0.008 = 0.07 = 0.1% Infectar = 4/4/4
10
7
0
Mar 03 Mar 17 Mar 31 Abr 14 Abr 28 12 de mayo 26 de mayo
de 2020
es relativamente alto, con el número más bajo alrededor de 400 por millón. Tenga en cuenta que incluso esta tasa de mortalidad de
bajo nivel implica 120,000 muertes para los Estados Unidos en su conjunto.
Figura 20: Estados Unidos (7 días): muertes acumuladas por millón, escala logarítmica
Estados Unidos
R 0 = 6.4 / 0.6 / 0.5 = 0.008 = 0.07 = 0.1% Infectar = 4/4/4
Nueva York
4096
2048
1024
512 Italia
256
128
64
32
16
248
1
mar abr Mayo
2020
Massachusetts y Suecia. Para mostrar ejemplos adicionales donde esta convergencia aún no ha ocurrido, considere
Massachusetts y Suecia, que se muestran en las Figuras. 21 mediante 24 . El resultado durante el próximo mes o dos en
estos lugares aún es bastante incierto.
Otros paises El apéndice y el tablero contienen gráficos adicionales para otros países y regiones. Los patrones,
incertidumbres y sesgos que hemos resaltado anteriormente también son evidentes en estos gráficos. Estos gráficos se
actualizarán con frecuencia.

24
Figura 21: Massachusetts (7 días): muertes diarias por millón de personas
Massachusetts
R 0 = 2.7 / 1.4 / 1.4 = 0.008 = 0.20 = 0.1% Infectar = 16/40/47
80
70
60
50
40
30
20
10
0
Mar 23 Abr 06 Abr 20 04 de mayo 18 de mayo 01 de junio 15 jun
2020
Figura 22: Massachusetts (7 días): muertes acumuladas por millón, escala de registro
Massachusetts
R 0 = 2.7 / 1.4 / 1.4 = 0.008 = 0.20 = 0.1% Infectar = 16/40/47
Nueva York
4096
2048
1024
512 Italia
256
128
64
32
16
248
1
mar abr Mayo jun Julio
2020
Figura 23: Suecia (7 días): muertes diarias por millón de personas
Suecia
R 0 = 3.2 / 0.7 / 0.5 = 0.008 = 0.06 = 0.1% Infectar = 5/6/6
18
16
14
12
10
68
24
0
de 2020
Figura 24: Suecia (7 días): muertes acumuladas por millón, escala logarítmica
Suecia
R 0 = 3.2 / 0.7 / 0.5 = 0.008 = 0.06 = 0.1% Infectar = 5/6/6
Nueva York
4096
2048
1024
512 Italia
256
128
64
32
16
248
1
mar abr Mayo jun Julio
2020
26
5. Inmunidad colectiva y reapertura de la economía
Una pregunta importante en esta etapa de la pandemia es cómo hacemos para reabrir la economía. La estimación que
hemos realizado tiene algo útil que aportar en este punto.
Primero, tabla 1 informa la fracción estimada de la población que ha sido infectada hasta el 29 de abril para diferentes
países y regiones. Valores para tres valores diferentes de δ también se informan, con el caso basal de δ = 0.8% en la
columna central Dos cosas clave se destacan en la mesa. Primero, considere la línea de base. Como discutimos
anteriormente, estimamos que el 31% de la ciudad de Nueva York ha sido infectada. Esto es consistente con el número del
21% reportado por Cuomo porque las personas tardan entre 3 y 4 semanas en mostrar anticuerpos, por lo que ese número
debe interpretarse como que dice que el 21% de los residentes de la ciudad de Nueva York habían sido infectados
aproximadamente el 1 de abril. Nuestra estimación sugiere que el 10% adicional entre el 21% y el 31% son las nuevas
infecciones acumuladas desde el 1 de abril.
Por el contrario, solo el 3 por ciento de las personas en el estado de Nueva York fuera de la ciudad de Nueva York y solo el
1 por ciento de los californianos alguna vez se han infectado. Existe una enorme heterogeneidad en las tasas de infección cada
vez mayor. ¿De dónde vienen estos números? En nuestro modelo, la fracción δ de los infectados eventualmente mueren, con el
tiempo determinado por γ y
θ, pero esencialmente sugiere que las muertes de hoy reflejan infecciones de 15 días antes. Con una tasa de mortalidad
supuesta de δ = 0.8%, por cada muerte, hay aproximadamente otras 125 personas que han sido infectadas. Las grandes
diferencias en el número de muertes por millón en Nueva York versus California se traducen en estas diferencias en las
tasas de infección. Curiosamente, las tasas en Noruega y Corea del Sur son igualmente muy bajas, mientras que las
tasas de infección en Italia, España y Francia se estiman en alrededor del 7 al 9 por ciento.
El segundo punto es que estos números son, de manera obvia, muy sensibles al valor supuesto de δ. Si duplica la
tasa de mortalidad, (aproximadamente) reduce a la mitad la tasa de infección. Si reduce a la mitad la tasa de mortalidad,
(aproximadamente) duplica la tasa de infección. Y como discutimos con más detalle a continuación, al pensar en la
inmunidad del rebaño y en reabrir la economía, conocer la fracción siempre infectada es crucial, al menos bajo el supuesto
importante de que los anticuerpos dan lugar a la inmunidad durante un período prolongado de tiempo.
Observe que hay una complementariedad importante aquí. Nos gustaría que la tasa de mortalidad fuera baja, no
solo porque significa que muere menos gente, sino también porque significa que mucha gente ya habrá sido infectada.
Por ejemplo, si la tasa de mortalidad real

Tabla 1: Por qué RandomTesting sería tan valioso
- Porcentaje alguna vez infectado (hoy) -

δ = 0.3% δ = 0.8% δ = 1.0%
Nueva York (solo) 81 31 25

Nueva York 70 27 22
Detroit 56 22 18 años
New Jersey 50 20 dieciséis
Connecticut 41 dieciséis 13
España 25 99 8
Massachusetts 39 dieciséis 13
Italia 23 8 77
Michigan 27 10 8
Reino Unido 22 8 77
Francia 19 77 66
Chicago 19 77 66
Distrito de Columbia 24 99 77
Suecia 14 55 44
Estados Unidos 11 44 3
Nueva York excluyendo Nueva York 99 3 3
Georgia 66 2 2
Washington 66 2 2
los Angeles 66 2 2
Dinamarca 44 1 1
Florida 3 1 1
Ecuador 3 1 1
California 3 1 1
28
es 3 en 1000 en lugar de 8 en 1000, significa que el 81 por ciento de los neoyorquinos ya han sido infectados y los efectos
de la inmunidad colectiva serán muy fuertes. En este sentido, la conclusión de que solo el 21 por ciento de la ciudad de
Nueva York infectada hasta el 1 de abril es una mala noticia: aumenta la tasa de mortalidad y significa que estamos lejos
de la inmunidad colectiva, incluso en el lugar con el mayor número de infecciones
Como Atkeson ( 2020 ), Valores ( 2020 ), y otros han enfatizado, las pruebas aleatorias
Ser extremadamente útil para identificar cuál de estos casos es relevante. Además, la tabla sugiere que si vamos a
hacer 1000 pruebas aleatorias, preferiría hacerlas en la ciudad de Nueva York que en California. Es probable que haya
tan pocas personas infectadas en California que sería muy difícil distinguir estadísticamente entre las diferentes tasas
de mortalidad, mientras que incluso 1000 pruebas aleatorias serían muy informativas en la ciudad de Nueva York.
5.1 ¿Hasta dónde podemos relajar el distanciamiento social?
Esto nos lleva a la siguiente razón por la cual conocer el porcentaje de personas infectadas sería tan útil. El
complemento de este número es el porcentaje de la población que aún es susceptible al virus. Llama a esta fracción S t) ≡
S (t) / N ( o mejor podría ser S (t) / (N -
D (t)) pero D (t) es tan bajo que no hace ninguna diferencia). 8
Sabemos por el modelo SIR básico que el virus morirá mientras
R 0 ( t) s (t) < 1
Es decir, si R 0 ( t) ≡ β t / γ es más pequeño que 1 / S t). El termino S t) es el término de inmunidad colectiva. Cuantas menos
personas sean susceptibles y más personas se recuperen y, por lo tanto, sean inmunes, menos serán nuestras
interacciones aleatorias las infecciones. En particular, podemos relajar el distanciamiento social: aumentar β t y R 0 ( t) - al
valor crítico tal que
R 0 ( t) s (t) está justo debajo de uno. Eso significaría que las personas infectadas de hoy infectan a menos de una persona en
promedio, por lo que la inmunidad del rebaño evita que el virus vuelva a surgir.
Mesa 2 muestra estos cálculos durante un mes desde ahora ( t + 30) dadas las estimaciones de referencia del modelo. Por
ejemplo, a partir de la columna intermedia, se estima que dentro de un mes, el 73 por ciento de la ciudad de Nueva York (más
los condados circundantes) seguirán siendo susceptibles. Esto significa que podríamos relajar el distanciamiento social hasta
el punto donde R 0 0 haría
8 Sin embargo, tenga en cuenta que nuestro modelo SIRD muy estilizado no dice nada sobre cómo mapea decisiones políticas concretas (es decir,
si debemos abrir o no negocios no esenciales) en cambios en R 0 ( t).

Tabla 2: Uso del porcentaje susceptible de estimar la inmunidad del rebaño, δ = 0.8%
Por ciento R 0 ( t + 30) Por ciento

Susceptible sin camino de vuelta
R00 R 0 ( t) t + 30 brote a la normalidad
Nueva York (más) 4.1 0,5 73,7 1.4 23,0

Detroit 3.9 1.0 73,1 1.4 12,5
New Jersey 4.6 0.8 78,0 1.3 13,6
España 5.2 0,5 90,5 1.1 12,2
Massachusetts 2.7 1.4 59,5 1.7 24,2
Italia 4.5 4.5 0.7 91,2 1.1 9,8
Michigan 2.8 0.8 88,0 1.1 14,9
Luisiana 4.0 4.0 0.8 90,2 1.1 8.1
Reino Unido 4.0 4.0 0.6 91,3 1.1 13,8
Francia 11,0 0.6 92,4 1.1 4.6
Chicago 3.6 0.9 90,8 1.1 8.5
Distrito de Columbia 2.1 1,2 78,3 1.3 8.2
Países Bajos 4.8 0.7 94,3 1.1 9.1
Suecia 3.2 0.7 94,2 1.1 15,6
Pensilvania 3.0 0.7 95,1 1.1 14,7
Estados Unidos 6.4 0.6 95,8 1.0 7.3
Maryland 4.8 1.1 87,6 1.1 - 0.2 0.2
Nueva York excluyendo Nueva York 3.7 0.7 96,3 1.0 11,5
Georgia 3.5 0.6 97,7 1.0 14,7
Washington 1.8 0.7 97,7 1.0 27,3
Alemania 4.0 4.0 0.6 98,3 1.0 12,5
Dinamarca 3.1 0.7 98,4 1.0 13,1
Corrí 3.9 0.8 98,6 1.0 8.2
Kentucky 2.6 0.7 98,3 1.0 17,7
Wisconsin 2.5 0,5 98,8 1.0 23,6
Ecuador 3.2 1.0 98,4 1.0 1.3
California 2.7 0.9 98,3 1.0 7.6
Noruega 2.6 0,5 99,3 1.0 23,3
Brasil 2.5 1.3 95,2 1.1 - 19,6
30
elevarse a 1 / 0.73 = 1.4. Esto se compara con la estimación actual para la ciudad de Nueva York de 0.5 y la estimación
inicial de 4.1. En otras palabras, dentro de un mes, en esta simulación (¡que puede no capturar adecuadamente el mundo
real!), La ciudad de Nueva York podría moverse el 23% ([1.4-0.5] / [4.1-0.5]) del camino de regreso a la normalidad y no veo
resurgimiento del virus.
Por el contrario, se estima que el resto del estado de Nueva York todavía tiene el 96% de la población susceptible
dentro de un mes. Entonces, fuera de la ciudad, Nueva York necesita mantener su R 0 0 en 1.0 versus su nivel actual de 0.7
para evitar que el virus se propague. La ciudad de Nueva York y el resto del estado de Nueva York necesitan políticas muy
diferentes si la fracción de la población que permanece susceptible es tan diferente como implican estas estimaciones.
Lugares con valores actuales de R 0 < 1 puede relajarse un poco y aún así mantener el virus bajo control. Pero la
noticia básica de esta tabla es que con una tasa de mortalidad del 0,8%, se acumula muy poca inmunidad colectiva y
nuestro alcance para relajar el distanciamiento social es limitado. 9 9
Por otro lado, si de alguna manera esta tasa de mortalidad del 0.8% es exagerada y la tasa de mortalidad real es solo del
0.3%, la imagen cambia. Los efectos de inmunidad de rebaño para este caso se muestran en la Tabla 3 . En este caso, el área
metropolitana de la ciudad de Nueva York tiene solo un 32% de su población susceptible porque las tasas de infección son mucho
más altas. La ciudad de Nueva York podría volver al 100 por ciento del camino de regreso a la normalidad, elevando R 0 0 a 3.2, y
aún no vemos un resurgimiento del virus. Otros lugares también tendrían más posibilidades de relajar el distanciamiento social, al
menos un poco.
Esta es la razón por la cual las pruebas aleatorias en varios lugares con un número de muertes relativamente alto por millón son
tan importantes: nos ayudará a saber si los números en la Tabla 2 o 3 Son más relevantes.
5.2 ¿Qué sucede si reabrimos la economía?
Ahora mostramos simulaciones de lo que sucede si relajamos el distanciamiento social y aumentamos el valor de R 0 ( es decir β).
El siguiente conjunto de gráficos supone que se adoptan políticas más generosas en la última fecha de las simulaciones
anteriores (que varía según el país), es decir, en algo como el 29 de mayo. En cada gráfico se muestran cuatro resultados de
simulación:
• La línea negra asume el R 0 0 desde el 29 de abril permanece en el lugar para siempre.
99 Tenga en cuenta, también, que estos cálculos suponen que los individuos permanecen dentro de sus territorios y no se mueven entre ellos, mezclando las
tasas de infección en todas las áreas.

Tabla 3: Inmunidad colectiva con una tasa de mortalidad mucho menor, δ = 0.3%
Por ciento R 0 ( t + 30) Por ciento

Susceptible sin camino de vuelta
R00 R 0 ( t) t + 30 brote a la normalidad
Nueva York (más) 3.2 0.9 31,6 3.2 100,5

Detroit 3.5 1.4 39,8 2.5 52,6
New Jersey 4.1 0.9 47,1 2.1 37,4
España 5.1 0.7 74,6 1.3 15,3
Massachusetts 2.3 1,5 40,4 2.5 118,9
Italia 4.4 0.9 76,6 1.3 12,5
Michigan 2.9 1.0 68,8 1,5 24,7
Luisiana 4.1 1.0 74,6 1.3 11,8
Reino Unido 3.8 0.7 77,4 1.3 19,8
Francia 10,2 0.6 80,3 1,2 6.5
Chicago 3.6 1.0 76,4 1.3 13,0
Distrito de Columbia 2.2 2.2 1.3 56,5 1.8 53,2
Países Bajos 4.7 0.8 84,8 1,2 10,6
Suecia 3.2 0.8 84,2 1,2 17.4
Pensilvania 3.0 0.7 87,3 1.1 18,2
Estados Unidos 6.1 0.6 88,8 1.1 9.0
Maryland 4.7 1,2 73,7 1.4 4.7
Nueva York excluyendo Nueva York 3.7 0.7 90,1 1.1 12,8
Georgia 3.5 0.6 93,9 1.1 16,1
Washington 1.8 0.7 94,0 1.1 30,1
Alemania 3.9 0.6 95,6 1.0 13,8
Dinamarca 3.0 0.7 95,8 1.0 14,9
Corrí 3.8 0.8 96,3 1.0 8.7
Kentucky 2.6 0.7 95,4 1.0 18,9
Wisconsin 2.5 0,5 96,7 1.0 24,6
Florida 3.9 0.6 96,3 1.0 11,9
Ecuador 3.2 1.0 95,7 1.0 2.2 2.2
California 2.8 0.9 95,4 1.0 8.1

Noruega 2.6 0,5 98,0 1.0 23,9
Brasil 2.5 1.3 88,7 1.1 - 14,2
32
• La línea roja supone que R 0 0 se eleva ligeramente a 1 / S t), es decir, al nivel que evitaría que el virus explotara
según el número actual de personas susceptibles (a partir del 29 de abril).
• La línea verde supone que aumentamos R 0 0 en un 25% de regreso a la normalidad, es decir, en un 25% del regreso
del estimado del 29 de abril hacia el nivel inicial de R 0.
• Finalmente, la línea púrpura es similar, excepto que aumentamos R 0 0 hasta el 50% del camino de regreso a la normalidad.
Para estas simulaciones, suponemos que el nuevo valor de R 0 0 permanece en su lugar para siempre. En la práctica, por supuesto, uno se
imagina que si las muertes comenzaran a aumentar significativamente, las políticas de mitigación se volverían a adoptar.
A modo de comparación, estos gráficos también muestran, en las barras de color marrón claro, las muertes diarias por millón
en la ciudad de Nueva York. Esto es útil para juzgar qué tan grave puede ser un resurgimiento del virus en diferentes escenarios.
Por ejemplo, si España se moviera el 50 por ciento del camino de regreso a la normalidad (la línea púrpura), el resurgimiento
pronosticado sería mucho más severo que el experimentado por la Ciudad de Nueva York. Incluso con un retorno del 25 por ciento
a la normalidad, el aumento de las muertes sería comparable al de la ciudad de Nueva York, aunque con un retraso en el final del
verano.
Figura 25: España: reapertura
Figura 26: Italia: reapertura

34
Figura 27: Ciudad de Nueva York: reapertura
Figura 28: Nueva York, excepto Nueva York: reapertura

Figura 29: California: reapertura
Figura 30: Suecia: reapertura

36
Figura 31: Detroit: reapertura
Figura 32: Massachusetts: reapertura

6. Conclusiones
Lo primero que (re) enfatizar sobre estas simulaciones es que somos economistas, no epidemiólogos. Estas son
especulaciones basadas en la estimación y simulación de un modelo relativamente simple y estándar. Los encontramos
útiles para pensar sobre la dinámica de la pandemia, pero se debe tener mucho cuidado al usar estos números para
informar cualquier discusión sobre políticas.
En relación con el modelo estándar SIRD en la literatura, incluimos un tiempo variable β,
y por lo tanto un tiempo variable R 0. Consideramos que esto es importante para capturar los cambios de comportamiento de las
personas en respuesta a la pandemia, así como los cambios de política relacionados con el distanciamiento social. También
incluimos un estado adicional de "recuperación" que es consistente con la evidencia médica de que los casos parecen ser
infecciosos durante cuatro a cinco días, mientras que toma un total de varias semanas o más para resolver. Estos cambios
conectan mejor el modelo con la epidemiología del virus y son importantes para mejorar la capacidad del modelo para ajustar
los datos.
Esperamos con interés la evidencia en las próximas semanas del muestreo aleatorio para ayudarnos a determinar la
verdadera tasa de mortalidad. Basado en evidencia de Sutton, Fuchs, D'Alton y Goffman ( 2020 ) para las nuevas madres en la
Ciudad de Nueva York y de los resultados preliminares anunciados por el Gobernador Cuomo para las pruebas aleatorias de
anticuerpos en Nueva York, la fracción alguna vez infectada en Nueva York puede haber estado alrededor del 21% en abril 1 y
puede estar alrededor del 30 por ciento hoy (1 de mayo), lo que sugiere tasas de mortalidad de aproximadamente 0.8%.
Alternativamente, otra evidencia sugirió la posibilidad de que las tasas de mortalidad fueran más bajas. Cuál de estos escenarios
es correcto importa enormemente en la medida en que la economía puede relajar el distanciamiento social sin una segunda ola de
muertes.
Referencias
Acemoglu, Daron, Victor Chernozhukov, Iv´ AnWerning, y Michael D. Whinston, “Riesgo múltiple
SIRModel con bloqueo óptimo, "Informe técnico, MIT 2020.
Álvarez, Fernando E., David Argente y Francesco Lippi, "Un problema de planificación simple para
COVID-19 Lockdown, "Documento de trabajo 26981, National Bureau of Economic Research April
2020.
38
Atkeson, Andrew, “¿Cuán mortal es COVID-19? Comprender las dificultades con la estimación
Of Your Fatality Rate ”, Documento de trabajo 26965, Oficina Nacional de Investigación Económica, abril de 2020.
Avery, Christopher, WilliamBossert, AdamClark, Glenn Ellison y Sara Fisher Ellison, "Política
Implicaciones de los modelos de propagación del coronavirus: perspectivas y oportunidades para los economistas ”, Documento
de trabajo 27007, National Bureau of Economic Research, abril de 2020
Bar-On, Yinon M., Avi Flamholz, Rob Phillips y Ron Milo, "SARS-CoV-2 (COVID-19) por el
números ", Informe técnico marzo de 2020.
Bendavid, Eran, Bianca Mulaney, Neeraj Sood, Soleil Shah, Emilia Ling, Rebecca Bromley-
Dulfano, Cara Lai, Zoe Weissberg, Rodrigo Saavedra, James Tedrow, Dona Tversky, Andrew Bogan, Thomas Kupiec, Daniel
Eichner, Ribhav Gupta, John Ioannidis y Jay Bhattacharya, "COVID-19 Anticuerpo Seroprevalencia en el Condado de Santa
Clara, California". medRxiv, 2020.
Berger, DavidW, Kyle FHerkenhoff y SimonMongey, "Un modelo de enfermedad infecciosa SEIR con
Pruebas y cuarentena condicional ”, Documento de trabajo 26901, Oficina Nacional de Investigación Económica, marzo de 2020.
Bethune, Zachary A y Anton Korinek, "Covid-19 Infección Externalidades: intercambiando vidas vs.
Medios de subsistencia ”, Informe técnico, Oficina Nacional de Investigación Económica 2020.
Bodenstein, Martin, Giancarlo Corsetti y Luca Guerrieri, "Distancia social y oferta
Interrupciones en una pandemia ”, Informe técnico 2020-031 04 2020.
Brauer, F., C. Castillo-Chávez y Z. Feng, Modelos matemáticos en epidemiología, Springer New
York, 2019.
Eichenbaum, Martin S, Sergio Rebelo y Mathias Trabandt, "La macroeconomía de Epi-
demics ”, Documento de trabajo 26882, Oficina Nacional de Investigación Económica, marzo de 2020.
Farboodi, Maryam, Gregor Jarosch y Robert Shimer, "Efectos internos y externos de la sociedad
Distanciarse en una pandemia ”, Informe técnico 2020-47 2020. Universidad de Chicago, documento de trabajo del Instituto de
Economía Becker Friedman.
Garriga, Carlos, RodyManuelli y Siddhartha Sanghi, "Gestión óptima de una epidemia:
Una aplicación para COVID-19. A Progress Report ”, Informe técnico de abril de 2020. Manuscrito del Banco de la Reserva
Federal de St. Louis.
Hethcote, Herbert W., "La matemática de las enfermedades infecciosas" Revisión de SIAM, 2000, 42 ( 4), 599-653.
Hornstein, Andreas, "Distanciamiento social, cuarentena, rastreo de contactos y pruebas: implicaciones
de un modo SEIR aumentado ”, Informe técnico, Banco de la Reserva Federal de Richmond 2020.
Hortasu, Ali, Jiarui Liu y Timothy Schwieg, "Estimación de la fracción de infección no notificada"
en Epidemias con un epicentro conocido: una aplicación para COVID-19, "Documento de trabajo
27028, Oficina Nacional de Investigación Económica, abril de 2020.
Hurwicz, Leonid, "Sobre la forma estructural de los sistemas interdependientes", en Ernest Nagel, Patrick
Suppes, y Alfred Tarski, eds., Lógica, Metodología y Filosofía de la Ciencia, Vol. 44 de
Estudios en Lógica y Fundamentos de las Matemáticas, Elsevier, 1962, pp. 232-239.
Equipo de respuesta COVID-19 del Imperial College, “Impacto de las intervenciones no farmacéuticas
(NPI) para reducir la mortalidad de COVID19 y la demanda de atención médica ”, Informe técnico, Imperial College 2020.
CSSE de la Universidad Johns Hopkins, "2019 Novela Coronavirus COVID-19 (2019-nCoV) Data Repos-
", 2020. Centro de Ciencia e Ingeniería de Sistemas.
Karin, Omer, Yinon M Bar-On, Tomer Milo, Itay Katzir, Avi Mayo, Yael Korem, Boaz Dudovich,
Eran Yashiv, Amos J Zehavi, Nadav Davidovich et al., "Estrategias adaptativas de salida cíclica del bloqueo para suprimir
COVID-19 y permitir la actividad económica". medRxiv, 2020.
Katz, Josh y Margot Sanger-Katz, “Las muertes de Nueva York alcanzan 6 veces el nivel normal, mucho más
Que sugiere el recuento de coronavirus " Los New York Times, Abril 2020.
Kermack, William Ogilvy y AG McKendrick, "Una contribución a la teoría matemática de
epidemias, parte I " Actas de la Royal Society de Londres. Serie A, 1927 115 ( 772), 700–
721.
y , “Contribuciones a la teoría matemática de las epidemias. II - El problema de la endemicidad " Actas de la Royal
Society de Londres. Serie A, 1932 138 ( 834), 55-83.
Korolev, Ivan, "Identificación y estimación del modelo epidémico SEIRD para COVID-19"
Informe técnico, Binghamton University 2020.
, "¿Qué mide realmente el índice de fatalidad de casos?", Informe técnico, Binghamton University 2020.
Kucinskas, Simas, "Rastreo R de COVID-19" Disponible en SSRN 3581633, 2020.
Linton, Oliver, "¿Cuándo llegará el pico de la pandemia Covid-19?", Informe técnico, Universidad de
Cambridge 2020.
40
Departamento de Salud de Nueva York, "Ensayo del NYSDOH Wadsworth Center para SARS-CoV-2
IgG ”, Informe técnico, abril de 2020.
Sanche, S., YT Lin, C. Xu, E. Romero-Severson, N. Hengartner y R. Ke, "Alto contagio
y la rápida propagación del coronavirus 2 del síndrome respiratorio agudo severo " Enfermedades infecciosas emergentes, 2020 26)
Stock, James H, "Lagunas en los datos y la respuesta política al nuevo coronavirus", Documento de trabajo
26902, Oficina Nacional de Investigación Económica, marzo de 2020.
Sutton, Desmond, Karin Fuchs, Mary D'Alton y Dena Goffman, "Cribado universal para
SARS-CoV-2 en Mujeres admitidas para parto " New England Journal of Medicine, Abril 2020.
The Economist, "Seguimiento de las muertes excesivas de covid-19 en todos los países", abril de 2020.
Toda, Alexis Akira, "Dinámica Susceptible-Infectada-Recuperada (SIR) de COVID-19 y Eco-
Impacto nomico, ”2020. UCSD manuscrito.
A. Gráficos para otros países
Los gráficos para muchos países y regiones se muestran a continuación. Reportamos resultados detallados y extendidos
para aún más países, estados y ciudades en nuestro páginas web y planee actualizar el tablero con frecuencia.
Figura 33: Francia (7 días): muertes diarias por millón de personas
Francia
R 0 = 11.0 / 0.6 / 0.5 = 0.008 = 0.07 = 0.1% Infectar = 7/8/8
25
20
15
10
0
18 de febrero Mar 03 Mar 17 Mar 31 Abr 14 Abr 28 12 de mayo
de 2020
Figura 34: Corea del Sur (7 días): muertes diarias por millón de personas
New Jersey
R 0 = 4.6 / 0.8 / 0.5 = 0.008 = 0.06 = 0.1% Infectar = 20/22/22
70
60
50
40
30
20
10
0
de 2020
42
Figura 35: Washington (7 días): muertes diarias por millón de personas
Washington
R 0 = 1.8 / 0.7 / 0.5 = 0.008 = 0.03 = 0.1% Infectar = 2/2/2
6
4
0
Mar 03 Mar 17 Mar 31 Abr 14 Abr 28 12 de mayo 26 de mayo
de 2020
Figura 36: Louisiana (7 días): muertes diarias por millón de personas
Luisiana
R 0 = 4.0 / 0.8 / 0.8 = 0.008 = 0.17 = 0.1% Infectar = 8/10/10
25
20
15
10
0
Mar 17 Mar 31 Abr 14 Abr 28 12 de mayo 26 de mayo Jun 09
2020
Figura 37: Florida (7 días): muertes diarias por millón de personas
Florida
R 0 = 4.0 / 0.6 / 0.5 = 0.008 = 0.07 = 0.1% Infectar = 1/1/1
3.5
2.5 3
1.5 2
0.5 1
00
de 2020
Figura 38: Michigan (7 días): muertes diarias por millón de personas
Michigan
R 0 = 2.8 / 0.8 / 0.8 = 0.008 = 0.13 = 0.1% Infectar = 10/12/12
25
20
15
10
0
Mar 21 Abr 04 18 abr 02 de mayo 16 de mayo 30 de mayo 13 de junio
de 2020

Chad-Jones en Es

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Chad-Jones en Es

Cargado por

Copyright:

Formatos disponibles

Estimación y simulación de un modelo SIRD

de COVID-19 para muchos países, estados y ciudades

Stanford GSB y NBER

2 de mayo de 2020 — Versión 1.0

estados y países. En cambio, solo usamos datos sobre muertes.

momentos y con diferentes intensidades en diferentes lugares.

Nueva York y en lugares como California y Suecia.

compartimentales clásicos de Kermack y McKendrick ( 1927 ) y Kermack y

compartimentales más simples. Hecote

) es un libro de texto reciente y completo del campo, y

estos modelos para comprender la crisis de salud actual.

abordado este tema).

ciudades, lo que puede representar la heterogeneidad demográfica y política.

resultado y resaltan la necesidad de desarrollar enfoques econométricos alternativos.

en una multitud de dimensiones. Acemoglu y col. ( 2020 ) y

3. Un modelo SIRD con distanciamiento social

Seguimos la notación estándar en la literatura. Hay una población constante de norte

Los estados, en orden temporal, son

capturar cambios de comportamiento como el distanciamiento social. En particular, suponemos que

en el comportamiento individual. Finalmente, λ gobierna la velocidad a la cual ocurre este ajuste. 3

γ, entonces el número promedio de días que una persona es infecciosa es 1 / γ:

los casos toman un total de

probablemente evolucionen más suavemente con el tiempo.

Las leyes de movimiento relacionadas con el virus son dadas por

nuevas infecciones resolviendo infeccioso

resolviendo infeccioso casos que resuelven

casos, YO( 0) y R ( 0), son parámetros que estimaremos.

3.1 Propiedades básicas de un modelo SIRD estándar

# #de infecciones de # de contactos # de días que los

personas infectadas, mi ∗, resuelve (suponiendo

también depende solo de R 0 ( y δ).

4. Estimación: países y estados

en todos los países y regiones:

no está particularmente bien identificado. 4 4

Combinado con el período infeccioso de 5 días, esto implica

informaremos los resultados de δ = 0.3% mientras esperamos mejores estimaciones. 5 5

2) Sutton, Fuchs, D'Alton y Goffman ( 2020 ) en un Estudio NEJM de 215 madres

de infección también son

con casi cualquier tasa de mortalidad, por lo que no es decisiva.

0,37%, pero este estudio parece haber sido muy criticado.

Exploramos la robustez a diferentes valores de estos parámetros.

de suma de residuos al cuadrado:

hacia el distanciamiento social implican diferencias en R ∗

• λ: La velocidad a la que un país o región realiza la transición de R 0 0 a R ∗ 0. Algunos paises

• R ( 0): El número inicial de casos en recuperación. Nosotros definimos R ( 0) = ηI 0 0 y estimar η

número inicial de casos infecciosos.

diariamente números de muertes acumulados para países, estados, países

referencia, "alto" y "bajo" de ciertos parámetros.

Nueva York (solo)

La simulación más reciente (o valor de referencia) siempre se muestra en negro.

4.1 Línea de base

mediana R 0 0 valor de 5,7 durante el inicio de la epidemia en Wuhan.

Nueva York (solo)

DATOS HASTA EL 29 DE ABRIL DE 2020

parámetro no está identificado.

mortalidad pueden ajustarse igualmente bien a los datos.

Nueva York (solo)

tasas de infección para la inmunidad colectiva y la reapertura.

acumulado de muertes por millón en España puede estabilizarse en alrededor de 700.

referencia de θ = 0.1 pero también valores de 0,05 ( en rojo) y 0.2 ( en verde).

Como mencionamos en la introducción, nuestro panel en línea contiene información detallada y

Figura 4: España: muertes acumuladas por millón de personas ( γ = . 2 / .1)

DATOS HASTA EL 29 DE ABRIL DE 2020