文摘

本文旨在了解尼泊尔的COVID-19扩散的动力学。它的帮助下进行多变量统计技术。直接变量之间的关系是显而易见的,因为他们很容易看到和测量。但是,隐藏变量及其相互关系也有重要影响的传播流行。多项逻辑回归,优势比线性混合效应模型,并使用主成分分析来分析这些隐变量及其相互关系。同时,这样的研究是非常重要的国家有限和稀缺的数据。这些国家没有高质量的官方记录的支柱。了解疾病在发展中国家的传播也有助于管理和根除的疾病。多元日报数据的新病例,死亡,恢复,总病例,死亡人数,总恢复,和总感染(孤立)使用。《每日新病例的发生率也使用非线性回归建模在这里。 Two best nonlinear models are discussed here. ARIMA models are used for analyzing and forecasting the progression of the variables for two months into the future. The impact of government restriction in the form of strict lockdown 1, partially relaxed lockdown 1, completely relaxed lockdown 1, and strict lockdown 2 is minutely analyzed. These controls were exercised to curtail the spread of the pandemic. The role of these controls in curbing the spread of the pandemic is also studied here. The results obtained from this study can be applied to other countries of South Asia and Africa.

1。介绍

一种新型冠状病毒(COVID-19)原始最初在武汉,中国,已经蔓延到213个国家。2 2020年9月,全球有848255例死亡和25327098例确诊病例,(1]。整个世界,包括尼泊尔、采取了特别的措施来控制这种疾病。在尼泊尔,报道了第一例COVID-19 2020年1月23日。这是一个32岁的尼泊尔学生刚从湖北回来中国。病人恢复,和联系人也无症状(2]。尼泊尔政府从2020年3月24日执行一个严格的封锁。但是,这是缓解部分2020年6月11日。有限的公共交通被允许厚度的道路。商店和餐馆部分打开。封锁结束只有几个限制是2020年7月22日。这轻松地封锁,首都加德满都COVID-19已成为一个热点。例如,8月4日,全国有62例新病例的发生率259新病例。这些数字高得多在当前日期;然而,在那个时候,这些数据也是最高的价值。 Due to a spike in the number of COVID-19 cases, a strict lockdown was again enforced on 19 August 2020 [3]。新病例的发病率最高,直到整个尼泊尔,总计1016人,2020年8月19日也。这也导致了确诊病例总数增至28257年上升幅度最大的一次。人们从印度进入尼泊尔的激增导致确诊病例的增加。

在本文中,一个数据驱动动态演化分析COVID-19在尼泊尔已经完成。在这里,尼泊尔是作为一个国家从发展中国家的典范。的变量,即新病例,每日死亡,每天恢复,总病例,全部恢复,总感染(孤立),和死亡人数,进行了详细地分析。这些变量是第一个解释为描述性统计和自回归移动平均(ARIMA)模型集成。这些ARIMA模型预测中使用这些变量的值两个月到未来。行为的新病例的发生率也解释为两个非线性回归。变化的动力学的影响下完整的封锁,部分缓解了锁定,锁定结束只有几个限制,一次又一次,一个严格的封锁是然后使用分类数据分析建模。直接这些变量的变化是显而易见的,可以直接测量。在这里,潜变量及其相互关系的影响在COVID-19病例研究。线性混合效应模型、多项式回归和优势比是用来量化这种强度的变化。 Principal component analysis is used to study the underlying interrelationship between the variables. It is also used in dimension reduction of the data. These analyses are conducted from the perspective of a country with limited and scarce data. Such countries lack good-quality official records needed to validate any collected data. Strong background of regular registration of vital events such as birth, death, and migration is also missing. Remote geographical locations and lack of awareness and incentives are the reasons behind this sorry state.

2。材料和方法

数据。病人COVID-19更新官方网站的数据得到了卫生部和人口,尼泊尔政府(4]。数据可从5月22日,当新病例的发病率是50。死亡人数达到3和病例总数达到507。这个门户给新病例信息,每日死亡,每天恢复,总情况下,全部恢复,总感染(孤立),和总死亡。2020年5月24日至9月2日的数据,分析了从两个角度严格的封锁和两个阶段之间。但有一些空白日常数据恢复,恢复,和总感染(孤立)。在这里,缺失的数据是使用非线性回归插值和曲线拟合技术。关于新病例的数据,总情况下,新的死亡,死亡人数也验证了COVID开放数据的网站。我们的世界在数据(5)提供信息在新情况下,总情况下,新的死亡,死亡人数为世界许多国家包括尼泊尔。

分类数据。在这里,正在研究的变量分为几类(6]。它非常适合情况有一个缺乏测量仪器。在这种情况下,分类数据分成几类,减少错误和偏见在数据收集整合。其背后的原因是高估和低估倾向于互相抵消。尼泊尔COVID-19发病率,这种技术分类是特别适合日常数据的恢复,恢复,和总感染(孤立)。

多项逻辑回归和比值比。多项式回归是用来预测的概率类别界定基于多个自变量对因变量(7]。这是一个简单的扩展的二元逻辑回归,允许超过两类的依赖或结果变量。在这里,Y是一个多项式响应变量。在这里,感兴趣的变量的记录发生的几率对参考类别(在这里,第一个)描述如下:

在这里,日志赔率,是方程的系数误差项。有一个与每个预测关联优势比。它是大于1的情况下预测增加分对数,等于1的情况下预测分对数,没有任何影响,小于1的情况下预测减少分对数。在这里,

ARIMA模型。它代表集成自回归移动平均模型(8]。季节性ARIMA模型分为ARIMA (p,d,问)模型。在这里,是自回归的数量方面,d平稳性所需数量的季节性差异,然后呢问是落后的数量预测错误的预测方程。

而言,y,一般是由预测方程

线性混合效应模型。在这里,一个因变量被建模为一个线性函数的固定和随机效应9]。它可以解释如下: 在哪里为一个特定的结果变量的值是ij情况下,通过是固定效应系数,通过固定效应变量(预测)观察吗j在集团我(通常,第一个是预留给拦截/常数 ), 通过是随机效应系数假定为多元正态分布,通过随机效应变量(预测),是错误的j在集团我每组的错误被认为是多元正态分布。

主成分分析。主成分分析是一种统计方法,可以用于分析大量的变量之间的相互关系。在这里,许多原始变量中包含的信息压缩成较小的一组变量(因素)与最低损失的信息(10]。这些数据总结帮助识别潜在的维度或因素。它还估计因素和每个变量的贡献因素(称为载荷)。

假设我们有一组N= 7变量,一个 1j来一个 新泽西每天,代表着七COVID-19变量j。此外,让我们规范每个变量的平均值和标准偏差:例如, ,在哪里的意思是在天,是它的标准差。这些选择的变量表示为一个线性组合的一组每天的底层组件j: 在哪里 是组件和为每一个变量的系数在每个组件。的“评分因素”模型是由反相恢复系统隐含(4)和收益率的估计每一个N主要组件:

关于这项研究中,有7个变量和89天。所以,N= 7,J= 89。

3所示。结果与讨论

整个数据集从5月22日到9月2 weekwise分类。封锁是强加于2020年3月24日。新病例首次超过30 5月22日。在这一天,死亡只是3和确诊病例的总数是457人。信息封锁的严重性weekwise表给出1。控制I, II, III和IV是由尼泊尔政府行使控制流行病的传播。

每日新病例的发病率,每日死亡,和日常视觉通过箱线图显示在图中恢复过来1。13周从5月22日到9月2由13箱线图。从表1,在这段时间里,四种类型的政府控制执行。从图可以看出1新病例的数量和每日死亡很低在星期1周3。小盒子的大小表明低方差。这是期间控制I和II。这个数字达到最低8周。第八周的高潮是封锁期和完全放松的开始封锁,这是控制三世。在这段完全放松封锁1(控制III),有一个稳定的增长数量的恢复和日常的死亡。这段时间持续三个星期。8周后,新病例和每日死亡的人数稳步上升。这种行为是由工人的流入印度。患者恢复日常数量的增加从星期5。 It can be seen from Figure2有一个稳定的发病率增加COVD-19病例。曲线开始于5月24日在控制,我于2020年7月22日到达一个较低的值控制三世。封锁的顶峰,完全放松的时期的开始。此后,COVID-19感染的数量稳步增加。

发生的变化模式的新病例的COVID-19进展的时间也表现出图的箱线图3。看到,在严格的封锁2 (IV)控制,COVID-19病例的发病率很高,病例数的方差是最低的。相比之下,严格封锁时期1和部分放松封锁控制I和II,发病率较低高方差。

相关变量的描述性统计COVID-19表提供2。使用时间序列分析是利用ARIMA模型。ARIMA模型适用于解释数据的总体趋势和季节性的波动。这种模式由尼泊尔COVID-19数据展示。但是,当有突然上涨或下降的数据由于异常值,ARIMA模型应该小心使用。每天新病例的平均数量是412标准偏差为287.198。日常康复每天的平均数量是217,和标准差是270.801。平均每天的死亡人数是3标准差是3.541。完全孤立的平均数是7325,标准偏差为4387.101。它也可以从表2日志的时间序列发展的新病例可以解释ARIMA (0, 1, 2) AIC的69.72。这里,日志代表日志e。同样,孤立和总死亡总人数的日志可以说明了ARIMA(0、2、1)和ARIMA (0 2 2)。AIC−−249.17和229.67,分别。AIC值越小,越COVID-19相关模型在解释这些场景。在这里,ARIMA代表自回归综合移动平均线。同样,每日死亡可以解释通过ARIMA(0, 1, 1) 348.06和日常的AIC恢复了ARIMA (0, 0, 1) AIC的825.2。

另一个在未来60天的预计值图中可以看到4。这些都是基于ARIMA值表2。预测未来值的趋势在这个数字。

模型I和II解释使用非线性回归新病例的发生率。结果在表3。我从这个表,在模型,新发病例的发病率COVID-19解释通过回归和总当天死亡。这里,总死亡价值可以从以往任何一次,最好是靠近,作为输入。模型的精度是99.99936%。同样,在模型II, COVID新病例的发病率是退化的一天。这个模型的准确性为99.99945%。从表3Shapiro-Wilk测试正常,在虚假设条件下,数据是正态分布,给出了0.046和0.043的价值。这些都是我从模型和模型II,分别。在表3,回归系数是非常重要的如果值等于0。类似地,如果值小于0.01,那么它是重要的。观测值和预测值之间的紧密对应也如图5和6。

新病例、死亡、恢复和总孤立分为七大类。死亡人数分为六类。七个类别的新病例的0 30、30 - 50,50 - 100,100 - 250,250 - 500,500 - 800,800 - 1200。七个类别的死亡是0 - 2,2 - 4,4 - 6、6 - 8、8 - 10,10 - 12和12 - 15。七个类别的恢复是0 - 245,245 - 490,490 - 735,735 - 980,980 - 1225,1225 - 1470,1470 - 1715。总孤立分为0 - 1000,1000 - 3000,3000 - 6000,6000 - 10000,10000 - 15000,15000 - 21000,21000 - 27000。最后,死亡人数分为0 - 5、5 - 15、15 35,35 - 75、75 - 155和155 - 315。这些类别是用于多项逻辑回归、优势比和线性混合效应模型,阐明如下。

改变在新情况下的灵敏度变化总死亡和周与多项逻辑回归解释道。该模型解释了总方差的61.7% 。优势比的行为显示在表中4。从这个表,几率赞成每日新病例上升从0 30到100 - 250年增加了1408倍总死亡山1类别。此外,它增加了2168和3170倍的新病例上升0 30到500 - 800和800 - 1200年,分别。同样,几率赞成每日新病例上升从0 30到50 - 100增加了978.526倍,周1单位。此外,它增加了2281倍的新病例上升0 30至800 - 1200。这意味着,随着死亡人数的增加和周进度,在当前形势下,《每日新病例的可能性增加到800 - 1200是最高的。这些都是统计上非常非常重要值小于0.01。也看到几率赞成新病例的发病率上升从0 30到1200 - 1500年增加了好几次了。这一趋势是验证的数据从9月3日到9月13日的当前日期。

线性混合效应模型用于量化的随机效应控制尼泊尔政府强加的。这些控件分为严格封锁,部分放松封锁1,完全放松封锁1、2和严格的封锁。这揭示了行为的新病例和死亡人数的影响和周固定效应控制随机效应。嵌套的数据控制。从表5,这种分类为固定效应和随机效应解释了误差方差的97.557%。这个嵌套数据的变量控制解释误差方差的90.452%。从随机效应,控制的内在影响,部分放松封锁1,是最高的,拦截是4.966。新病例的发病率的敏感性也是最高的。凸显了这个斜率等于−1.477。这进一步表明,增加一个单位总死亡,新病例的发病率减少了1.477。完全放松期间锁定1展示了内在的影响灵敏度为0.664−3.685。回归方程的斜率和截距的肉体可以解释为敏感性和内在的影响,分别。这种效应是直观地显示在图7。从这个图中,控制二世时期最高固有的效果和灵敏度。见过,死亡人数在固有的随机效应新病例的发生率最高的控制II和III的控制。这些是两个时期严格的封锁。同样的,在这些时期灵敏度也最高。这是真正的控制II和III,也从表1是部分放松的时间段锁定1和完全放松封锁。因此,在这一时期,政府控制部分和完全放松,导致更多的人之间的交互。有一个上升的新病例在这些时期。

七个变量的主成分分析,即新病例,每日死亡,每天恢复,总情况下,全部恢复,总感染(孤立),和总死亡给了一个主成分。这个组件解释的总方差的74.579%。因此,数据由七个相关变量的维数降低一个变量。每天的第一主成分因子得分最高的死亡人数和金额为0.979。每日总情况下,每日总感染,每日死亡,每日新病例,和每日总恢复0.955,0.926,0.881,0.859和0.851。因子得分是最低的日常康复并为0.511。在尼泊尔的背景下,很难获得准确的记录每天的恢复许多COVID-19患者居家隔离。的医院COVID-19不访问社会和经济社会的某些部分。因此,日常康复可能不完全准确的值。第一主成分可以作为一个指标,准确的数据,因为它具有较高的因子得分在新情况下,每日死亡,总情况下,全部恢复,总感染(孤立),和总死亡。 It can be said to be linked with the variables with accurate values as it has higher factor scores on these variables.

作为世界卫生组织干预根除这个大流行在整个世界包括尼泊尔、第一主成分可以作为变量的代表更高的精度。七个变量的维数、新情况下,每日死亡,每天恢复,总情况下,全部恢复,总感染(孤立),和死亡人数减少到一个主成分。这主成分解释了总变异的74.579%。

目前,印度已成为震中COVID-19日常新病例成为世界上最高的。COVID-19新病例的感染在印度93215年9月13日,这是世界上最高的11]。它超过美国和巴西的发病率31857年和14597年,分别。戒备森严的宽松2部分放松封锁2 9月10日,2020年在尼泊尔COVID-19病例可以显著地增加。尼泊尔与印度共享开放边界,人们可以很容易地跨越边境没有任何法律文件,不需要工作许可工作两侧的边界。许多尼泊尔人在国外工作,包括印度(12]。的阳性病例COVID-19要么是印度人在尼泊尔和尼泊尔工人工作最近从印度回来。成千上万的工人回到尼泊尔没有适当的筛选来自印度马哈拉施特拉邦、德里和古吉拉特邦。许多工人被困在不同的印度部分地区由于锁定在这两个国家。许多工人被困在边境(13- - - - - -17]。他们可能是潜在COVID-19的情况下,在他们返回尼泊尔。可以控制疾病的传播如果公众遵循卫生部提供的指导方针和人口,尼泊尔政府(18]。尽管尼泊尔政府早期关闭学校和封锁,实现管理包含COVID-19似乎并不是充分的。理解当前形势有关COVID-19在尼泊尔提供方向适当的管理是很重要的疾病19]。

4所示。结论

直接的变化是显而易见的,可以很容易地测量。但在发生这样的大流行,内在变量需要识别和测量。本文研究这些变量及其相互关系。但这样的变量不能直接测量,特别是在国家背景有限和稀缺的数据。这个分析也从四个角度进行控制由尼泊尔政府行使。他们如下:控制我是戒备森严,于3月24日至2020年6月11日。控制二世从6月11日到7月21日,被称为部分放松封锁1。控制三世于7月21日至8月19日,被称为完全放松封锁1。从8月19日到9月2日被称为严格封锁2并列为第四控制。

这里,数据也分为类别,和对新病例的影响研究使用多项逻辑回归和比值比。主成分分析是用来研究变量之间的内在关系。

两个非线性模型解释新病例的发病率在尼泊尔也解释道。这些模型有非常有前景的结果对印度。这突出了这些模型的鲁棒性。它可以用于解释COVID的发病率在南亚。

也看到政府控制的变化从严格的封锁部分放松封锁和完全放松封锁,然后严格封锁有不利影响。每日新病例的发病率增加在这改变政府的控制系统。改变从一个控制系统到另一个似乎并没有控制流行病的传播。所以,运动是明智的政府控制的一个系统。公众应该调整系统和从事日常个人和职业活动下,一个系统。这将有助于控制流行病的传播。

这种疾病的发病率在未来一年将研究。入射模式的详细家庭调查COVID-19还计划为未来的工作。

数据可用性

从卫生部COVID-19更新数据和人口,尼泊尔政府,被用于这项研究。COVID-19更新Data-COVID-19谁和我们的世界的被用于验证。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

作者仅仅贡献的研究论文。