赤褐色砂石 » 褐砂石杂志 » 疾病缠身的红色国家的神话

疾病缠身的红色国家的神话

分享 | 打印 | 电子邮件

因为除了“特朗普选票份额”之外,没有其他可能的方法来分析、分类、解析或剖析人口数据,因此不能有 任何 除了红色县 = 糟糕(Covid 死亡人数高!),蓝色县 = 好(Covid 死亡人数不那么高!)之外,其他任何可能的解释。

投票份额

我当然是在开玩笑。 整个提议只是愚蠢的。 人口先天差异的概念是 成熟的考虑 对于那些研究人口健康的人。 有人可能会认为,我们国家最负盛名的报纸可能需要他们的顶级作家咨询人口健康专家甚至精算科学家,以便获得更明智的观点并对数据进行更严格的分析。

让我们来看看大卫莱昂哈特的“Red Covid”系列的亮点。

2021 年 9 月 27 日 

红色冠状病毒: Covid 的党派模式正变得越来越极端。”

平均每日死亡

(请注意此图表上的 Y 轴)

“美国与众不同的是一个保守党——共和党——对 科学 和 经验证据 近几十年来。 包括福克斯新闻、辛克莱广播集团和各种在线媒体在内的保守媒体综合体呼应并放大了这种敌意。 特朗普将阴谋思想提升到了一个新的水平,但他并没有创造它。”

“民主党政客一直在恳求所有美国人接种疫苗,而许多共和党政客却没有。”

2021 年 11 月 8 日

美国 Covid 死亡人数更红:美国 Covid 死亡人数更红

“简短的版本:在过去的一个月里,红色和蓝色美国之间的 Covid 死亡人数差距比以往任何时候都增长得更快。

25 月,特朗普重度县的每 100,000 万居民中有 7.8 人死于 Covid,比拜登重度县的死亡率(每 100,000 万人中有 XNUMX 人)高出三倍多。”

2022 年 2 月 18 日 

红色 Covid,更新: Covid 死亡人数的党派差距仍在扩大,但速度较慢。”

“图表清楚地表明,特朗普以压倒性优势获胜的县的收费比他以微弱优势获胜的县更严重。
“这种现象是该国政治两极分化如何扭曲人们思想的一个例子,即使他们的人身安全受到威胁。 这是一场悲剧——也是可以预防的。”

在深入了解这些过度简化的细节之前,我想明确表示,我相信莱昂哈特的上述陈述反映了一种真实的信念。 他真正相信政治偏好是导致 Covid 死亡的因果解释。 不是健康状况、年龄、体重、合并症。 只有一件事:个人政治偏好。 

需要明确的是,他认为红色县 Covid-19 死亡率较高的根本解释实际上是红色县的疫苗接种率较低。 因此,通过扩展,这可以通过政治偏好来解释。 

我希望在下面列出的是当我们将县级数据细分为 Leonhardt 选择的类别时发生的更完整的画面:“县内特朗普投票的份额”(0-30%、31-45%、 46-55%、56-70% 和 70%+)。 使用历史县级死亡率数据,我将尝试回答以下问题:

在按政治偏好分类时,Covid 死亡率趋势与历史趋势相比如何? 

Covid-19 死亡率与全因死亡率相关吗?

2021 年,“红”县和“蓝”县之间的总体死亡率是否出现了前所未有的重大差异?

可以进行额外的分析,以了解疫苗接种率是否与长期的总体死亡率(而不仅仅是 Covid-19)相关,但是“完全接种疫苗”或“最新”的定义是一个变化目标,我目前选择不按县的疫苗接种率来比较死亡人数(许多其他人已经承担了这项任务!)。 需要明确的是,我相信对于那些处于危险中的人,疫苗已被证明可以 降低风险 疾病对那些人。 这项分析的目的是更深入地研究《纽约时报》坚称的这些政治细分,这是对 Covid-19 死亡率的无可置疑的解释,也称为“红色 Covid”。

首先,让我们来看看我们在这里比较的县的差异。 看看“70% + 特朗普投票”组——它代表了 25 万美国人,该组各县的平均人口为 23 万。 这些主要是农村县。 相比之下,特朗普获得不到 30% 选票的拜登县代表 110 亿美国人(主要在城市地区),这些县的平均人口为 137 万。

以分享方式投票

为了使用该人口数据进行剩余分析,我们正在比较非常不同的人口统计数据,并且没有控制那些潜在的差异。 进行这些比较的正确方法是控制这些差异——主要是通过年龄调整,以便梳理出不同疫苗接种率或不同政策可能产生的影响。 纽约时报的文章没有这样做,并且在一个案例中试图忽略这些群体之间年龄差异的重要性。 我将简单地使用他们所做的相同类别,但对这些类别采取更高层次的看法,看看莱昂哈特的主要命题是否合理。


在按政治偏好分类时,Covid 死亡率趋势与历史趋势相比如何? 

为了回答这个问题,我们应该看看在更保守的地区死亡率更高的趋势是否是一个新的或独特的发现。 这是由大流行引起的新事物或独特事物吗? 中的一张纸 流行病学和社区卫生杂志,写于 2015 年(前特朗普时代),为我们回答了这个问题。 

“在对 32 830 名参与者和 498 845 人年的总随访时间的分析中,我们发现政党归属和政治意识形态与死亡率相关。 然而,除了独立人士(调整后的 HR (AHR)=0.93,95% CI 0.90 至 0.97)外,政党差异可以通过参与者的基本社会人口特征来解释。 在意识形态方面,保守派(AHR=1.06, 95% CI 1.01 to 1.12)和温和派(AHR=1.06, 95% CI 1.01 to 1.11)在随访期间的死亡率高于自由派。”

因此,根据本文,观察到保守派死亡率略高于其他政治团体。 为了查看这是否出现在全因死亡率数据中,我从 Covid 之前的年份(2018 年和 2019 年)中获取了县级死亡率数据 CDC奇迹,并将它们与《纽约时报》使用的相同分组进行分组——“特朗普投票的百分比”,以查看大流行期间更高的死亡率是否是史无前例的。 

粗死亡率

事实证明,特朗普县在前两年(1200 年和 100 年)的死亡率高于其他组,约为 2018 人/2019 万人。因此数据显示,总体死亡率较高的红色县根本不是一个新现象,并符合历史趋势。 有趣的是,蓝色县的死亡率仅略低于“浅红色”县,“紫色”和“浅蓝色”县的死亡率最低。 对此有许多合理的解释,最简单的解释是这些县只是老年人口。 让我们看看当我们对死亡率进行年龄调整时数据如何变化。 (旁注:有关重要性以及年龄调整背后的方式/原因的详细帖子,请参阅 Mary Pat Campbell 的帖子 请点击此处尝试搜索。🙂

年龄-adj-死亡率

您可以看到,在调整年龄时,县组之间的比率差异几乎消失了。 

Covid-19 死亡率与全因死亡率相关吗?

纽约时报文章中的一个基本假设是,这些分组代表了总体死亡和死亡率负担的某种巨大差异。 这些文章只关注因 Covid-19 导致的死亡或与 Covid-19 相关的死亡,实际上并没有提到死亡率的整体影响。 毫无疑问,Covid-XNUMX 造成了过多的死亡,并增加了人口的总体死亡率负担。

但问题仍然存在——该国“红色”与“蓝色”地区的负担在多大程度上更高或更低? 我们可以通过将这些组中的 Covid-19 死亡人数与这些相同组的总死亡率进行比较来回答这个问题。 让我们看看当我们这样做时会发生什么。 由于《纽约时报》专注于 2021 年,即疫苗广泛可用的那一年,我们将从那里开始。

看看左边的 Covid-19 死亡率和右边的全因死亡率。

死亡率与全因

如您所见,左边的图表是 NYT 系列文章所关注的——红色和蓝色之间的巨大差距。 查看右侧的图表(各种原因造成的死亡率),您可以看到差异消失了。 我想知道阅读这些文章的人是否会意识到尽管蓝色县的 Covid-19 死亡率较低,但同样的深蓝色县的总体死亡率实际上高于紫色或浅蓝色县?

2021 年,“红”县和“蓝”县之间的总体死亡率是否出现了前所未有的重大差异?

当您将这些分组在 2021 年的死亡率与 2019 年的死亡率进行比较时,您会发现它们总体上更高,但相比之下,每个分组都保持与非大流行年份相同的排名。 因此,虽然深蓝色县的 Covid-19 死亡率可能较低,但这并没有转化为这些县的总体死亡率。 (如果我有可用的数据,我会对这些比率进行年龄调整,但目前 CDC Wonder 在撰写本文时还没有 2021 年的数据)。 

2020-2021 年粗死亡率

另一种看待这一点的方法是查看每个组内利率的逐年变化。 如下图所示,各组之间的百分比变化保持一致,2020 年的变化率最大,2021 年与 2020 年相比变化率很小但显着(这意味着总体死亡率相对于 2019 年仍然相当高) )。

每年的粗死亡率

总之,当我们在保持这些相同分组的同时采取历史观点和更高层次的观点时,Covid-19 死亡率的这些明显差异似乎并没有转化为总体死亡率。 为什么?


冒着这种分析变成另一堆指出《纽约时报》的风险 错误, 我想提供一个更温和的解释。 在整个大流行期间,它一直困扰着记者和报道。 为什么一切都以红蓝相框? 一个简单的原因:数据的可用性。 Leonhardt 正在使用易于访问且已格式化以便于分析的数据。

这就是所谓的 可用性偏差。 它本质上是根据一组特定的数据创建一个假设或完成一项研究,纯粹是因为数据在那里。 仅仅因为数据可用并不意味着它是用来尝试回答问题的最佳数据。

共和党人也是人

为什么这一切都很重要? 毕竟,我们似乎已经开始接受主流报道和有线电视新闻有左翼偏见。 有什么大不了的? 

在人口健康方面,目标是促进每个人的健康和福祉,而当公共卫生信息和报告变得毫不掩饰地带有党派色彩时,采用指责和羞辱的策略,很可能会产生与预期效果相反的效果促进更好的健康。

保守派和“红县”也需要良好的健康建议。 他们需要能够信任来源。 即使从表面上看《纽约时报》关于“红色 Covid”的前提,这条信息对谁有帮助? 显然,不是他们所描述的人。 


数据源:

https://wonder.cdc.gov/wonder/help/ucd.html#2000%20Standard%20Population

https://data.cdc.gov/NCHS/AH-County-of-Occurrence-COVID-19-Deaths-Counts-202/6vqh-esgs/data

https://wonder.cdc.gov/

https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/VOQCHQ

期刊论文:

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4033819

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5893220/

转载自作者 亚组



发表于 知识共享署名4.0国际许可
如需转载,请将规范链接设置回原始链接 褐石研究所 文章和作者。

作者

  • 乔什·史蒂文森

    Josh 住在田纳西州纳什维尔,是一名数据可视化专家,专注于使用数据创建易于理解的图表和仪表板。 在整个大流行期间,他提供了分析,以支持当地的倡导团体进行面对面学习和其他理性的、数据驱动的 covid 政策。 他的背景是计算机系统工程和咨询,他的学士学位是音频工程。 他的工作可以在他的子堆栈“相关数据”中找到。

    查看所有文章

今天捐赠

你们对布朗斯通学院的财政支持将用于支持作家、律师、科学家、经济学家和其他在我们这个时代的动荡中受到职业清洗和流离失所的勇敢人士。 您可以通过他们正在进行的工作帮助查明真相。

订阅 Brownstone 以获取更多新闻


商店褐石

随时了解 Brownstone Institute 的最新动态