Juste avant une élection majeure et un Halloween effrayant, Doug Bernheim et al ont publié un document de travail («Les effets des réunions de grand groupe sur la propagation du COVID-19: le cas des rassemblements Trump», 30 octobre) qui prétend montrer que 21 rassemblements Trump ont causé un total de 30000 cas et 700 décès. Ces cas, affirment-ils, étaient incrémentiels, ce qui signifie qu'ils ne se seraient pas produits autrement.
Les rassemblements de Trump, selon cette étude, étaient des événements très répandus. Pour autant que je sache, ils auraient pu l'être. Le monde est un endroit compliqué. Mais nous savons aussi avec une certitude absolue que pour que cet article cultive ses résultats – ainsi que sa conclusion définitive – les auteurs ont dû faire une formidable épandage de fumier statistique.
Les auteurs remettent en question les études qui montrent que les rassemblements Trump individuels, comme le tristement célèbre rassemblement en salle à Tulsa, n'ont pas causé de nombreuses infections (par exemple, DM Dave et al, «Risk Aversion, Offsetting Community Effects, and COVID-19: Evidence from an Indoor Political Rally ”NBER Working Paper 27522”) parce que “les résultats du COVID-19 sont très variables” (p. 3). En d’autres termes, certains rassemblements peuvent avoir été des événements de grande diffusion, tandis que d’autres ne l’ont probablement pas été.
Assez juste, mais simplement combiner les données de 21 rallyes pour les condamner tous, c'est un peu comme dire qu'une équipe de baseball avait un record de victoires parce qu'elle a perdu 19 matchs 1 à 0 mais a remporté son dernier 20 à 0. Oui, elle a marqué plus de points au total que ses adversaires, 20-19, et a également marqué plus de points en moyenne que ses adversaires, 1 à 0,95, mais son record était toujours de 1 victoire et 19 défaites. En bref, «mesurer l'effet moyen du traitement sur plusieurs événements» ne produit PAS «des résultats plus fiables»; il produit, au mieux, une estimation du résultat moyen.
Bernheim et al utilisent également des données pendant 10 semaines (au lieu de 3 comme dans d'autres études) après le rallye, car «les effets d'un événement de super-épandage peuvent faire boule de neige au fil du temps». Encore une fois, cela peut être vrai, mais les termes d'erreur font également boule de neige avec le temps. Dans la limite, on atteint le post hoc ego propter hoc (après cela, donc à cause de cela) erreur.
Par exemple, comme le montre le graphique ci-dessous de son site officiel, les cas ont augmenté dans le Dakota du Sud en septembre, puis ont augmenté en octobre. Était-ce une boule de neige de la visite de Trump à Mount Rushmore le 3 juillet? Le rallye moto Sturgis début août? L'ouverture de la saison des faisans, qui a également entraîné un afflux de hors-staters?
Le Dakota du Sud est particulièrement intéressant car cela nous rappelle que les données de Covid-19 sont un artefact statistique du monde réel, où les personnes et les virus traversent les frontières politiques en toute impunité. Une personne peut contracter un cas dans un autre pays, état ou comté, mais être comptée dans un autre. Une autre personne peut propager le virus ailleurs et rester asymptomatique et ne jamais apparaître du tout dans les statistiques officielles.
Bernheim et al ont des données au niveau du comté, de sorte que le comté devient une chose magique dans leur analyse même si nous savons que la réalité est beaucoup plus complexe. Ils savent où les rassemblements ont eu lieu, mais pas d'où venaient réellement les participants au rallye, ni d'où ils se sont rendus par la suite. Utiliser les données les plus pratiques, une technique courante en économie, est un peu comme l'ivrogne cherchant ses clés sous le réverbère même s'il les a perdues dans la ruelle sombre au loin.
Imaginez, par exemple, un rassemblement Trump organisé dans un véritable comté bleu simplement parce que l'espace événementiel se trouvait dans un seul et était pratique d'accès. Il n'a attiré personne de ce comté mais beaucoup de gens d'un État rouge voisin. Les cas ont ensuite augmenté dans ce comté bleu 6, 7, 8 semaines plus tard simplement parce qu'il n'avait pas été touché auparavant. Bernheim et al blâmeraient le rallye pour cette propagation.
Sans vraiment retracer la transmission de personne à personne (qui si quelqu'un pouvait réellement faire le virus aurait été arrêtée en mars), comment peut-on démêler tout ce bruit de ce monde plein d'explications possibles pour la propagation d'un virus qui parfois provoque la maladie?
Eh bien grâce aux statistiques bien sûr! Et des hypothèses. Une autre hypothèse (ils faire citer un seul CNN article) est que le respect des règles de «distanciation sociale» était uniformément faible lors des rassemblements Trump examinés, qui ont tous eu lieu entre le 20 juin et le 22 septembre. Pourtant, les auteurs insistent sur le fait que les résultats étaient «très variables», presque comme si la conformité à la distanciation sociale n'était pas si importante à diffuser. (C'est l'une des raisons pour lesquelles j'ai appelé à des expériences plus contrôlées en avril.)
En fait, malgré leur affirmation confiante selon laquelle les rassemblements de Trump ont tué 700 personnes, les auteurs admettent que «la dynamique du COVID-19 est complexe» (p. 5) et varie dans le temps et dans l'espace. «Une hétérogénéité considérable entre les comtés en ce qui concerne la manière dont le processus dynamique a évolué au fil du temps» signifie que «les spécifications économétriques familières avec les effets fixes du temps et du comté ne sont pas en mesure de prendre en compte les modèles de premier ordre dans les données. Les spécifications qui incluent des interactions entre des effets fixes dans le temps et une poignée de caractéristiques de comté ne fonctionnent que légèrement mieux »(p. 6).
Traduction: les données n'ont pas montré ce que les auteurs voulaient et ils savent que beaucoup de gens vérifieront leurs résultats, donc ils ne voulaient pas utiliser les codes de triche économétriques habituels.
Ergo, «une approche entièrement différente est nécessaire» (p. 6). Cette approche est appelée «échantillonnage apparié». Il essaie essentiellement de reproduire une expérience réelle avec des groupes de contrôle et de traitement en identifiant les comtés «similaires» (p. 6) à ceux où des rassemblements ont eu lieu et en comparant leurs cas et décès de Covid à ceux des comtés de rallye. Le concept de similitude des comtés est si lourd que les auteurs eux-mêmes placent en fait des guillemets autour de lui (d'où les doubles guillemets ci-dessus).
De toute évidence, les comtés de comparaison ne peuvent pas être identiques car Trump n'y a pas organisé de rassemblements et il ne tenait certainement pas de rassemblements dans des comtés aléatoires. Mais peut-être que les comtés de comparaison sont assez similaires? De quelle manière? Quelles sont les caractéristiques les plus importantes à comparer? Les auteurs supposent que «la dimension la plus importante de la comparabilité est la trajectoire pré-événement des cas de COVID-19» (p. 7) mais bien sûr des «trajectoires» issues de causes différentes peuvent atterrir à des endroits très différents. La trajectoire d’une balle de baseball et d’un missile, par exemple, peut être similaire au début, mais l’un atterrit dans le gant du receveur et l’autre se met en orbite.
Les auteurs constatent que les cas ont augmenté dans les comtés de rallye par rapport à leurs comtés correspondants. La plage de confiance de 95% est énorme (150 à 500 cas pour 100 000) mais supérieure à zéro. L'ampleur de l'effet diminue à mesure que davantage de contrôles, tels que «population totale», «pourcentage de moins que les diplômés universitaires» et «part des voix de Trump en 2016» (p. 10) sont ajoutés, ce qui se produit généralement dans les études statistiques à faible pouvoir prédictif. et l'ajout de contrôles fallacieux (comme la population totale où la densité de population aurait plus de sens).
De plus, les cas qui n'entraînent pas d'hospitalisation (étrangement absents de l'étude) ou de décès sont sans doute bien parce qu'ils renforcent l'immunité communautaire comme le soulignent les éminents scientifiques qui ont rédigé la déclaration de Great Barrington.
Les estimations de décès des auteurs sont basées sur la simple multiplication du taux de mortalité connu par le nombre de cas supplémentaires vraisemblablement causés par le rassemblement, mais ils admettent que «le même taux de mortalité pourrait ne pas s'appliquer aux cas de base et aux cas supplémentaires» et que «le total les décès pourraient ne pas augmenter du tout »(p. 11). Cependant, ils n'ont pas pu trouver de preuves statistiques de changements dans les «taux de mortalité» moyens, par lesquels ils devaient signifier CFR (taux de létalité). Mais qui sait, car comme beaucoup d'économétriciens, ils ne montrent pas leur travail.
Conscients que ces analyses statistiques peuvent sembler peu convaincantes pour certains, les auteurs examinent ensuite de près le nombre de tests et leurs taux positifs dans deux comtés du Wisconsin où Trump a organisé des rassemblements «parce que les données des tests sont facilement disponibles pour le Wisconsin» (p. 13) . Le nombre de tests n'a pas augmenté immédiatement après le rallye, mais les taux de positivité l'ont fait dans les deux comtés du rallye, mais pas «globalement» pour le reste de l'État. Je soupçonne que les auteurs, qui se croient être des génies économétriques, ont choisi de rapporter les données pour le reste de l'État dans leur ensemble, car ils ne peuvent pas expliquer pourquoi les taux de positivité ont augmenté dans certains comtés éloignés des sites de rassemblement mais ont diminué dans les comtés voisins.
En bref, contrairement à la conclusion de l'article, l'analyse des auteurs suggère, plutôt que de «soutenir fermement» (p. 13), que les grands rassemblements de groupe peuvent propager Covid-19 dans certaines conditions inconnues. Ils ne présentent aucune donnée sur le respect des directives de distanciation sociale lors des rassemblements, de sorte que leur affirmation selon laquelle les rassemblements de grands groupes où «l'utilisation de masques et la distanciation sociale est faible» sont «particulièrement» (p. 13) susceptibles d'encourager la propagation est essentiellement obiter dictum.
Enfin, l'affirmation selon laquelle les communautés où «les rassemblements Trump ont eu lieu ont payé un prix élevé en termes de maladie et de mort» (p. 13) est normative car elle impose leurs propres jugements de valeur sur les cas, que tout le monde ne croit pas négatifs. La mort est certainement négative, mais de leur propre aveu, ils ne savent pas combien de ces décès sont survenus en raison de la participation directe à un rassemblement et impliquent fortement qu'en fait, il y avait au moins une, et peut-être plusieurs, des infections intermédiaires jusqu'à ce que le virus frappe. une personne vulnérable ou âgée qui a succombé.
Un avocat ou un expert en sinistres invoquerait immédiatement ici le concept de négligence contributive. Ce n'est pas parce que A a causé B, qui combiné à d'autres événements pour provoquer C, et d'autres à causer D, ne signifie pas que A est entièrement, ou même nécessairement en partie, voire pas du tout, responsable de D. Heck, pourquoi ne pas blâmer le patient Zéro pour tout et en rester là?
Quand il s'agit de Covid-19, il n'est pas facilement propagé par des personnes asymptomatiques. Pourtant, si tu je ne veux pas l'attraper, tu besoin de prendre des précautions pour ne pas l'obtenir. Ne blâmez pas Trump, ni qui que ce soit d'autre, sauf la personne qui vous a réellement transmis, si vous le faites. Même dans ce cas, ce n’est peut-être pas la faute de l’émetteur au sens juridique ou d’assurance, car comme le tango, il en faut deux pour obtenir Covid.
Discerner les causes et les effets dans n'importe quel domaine de la vie est une proposition difficile. Le faire pour la trajectoire de transmission d'un virus répandu, au sein d'une population radicalement hétérogène sur de vastes terres où des millions de variables sont à l'œuvre, est encore plus difficile. On pourrait même dire: impossible. Il ne suffit sûrement pas de jeter un document qui est à 95% de statistiques mumbo-jumbo, et avec une conclusion ferme qui a un impact sur une élection qui fait trembler la terre dans seulement trois jours. L'intégrité scientifique exige beaucoup plus que d'arriver à une conclusion politiquement correcte avec une conclusion faite pour les médias.
Robert E. Wright
Robert E. Wright est le (co) auteur ou (co) éditeur de plus de deux douzaines de livres, séries de livres et collections éditées, y compris AIER. Exclusion financière (2019).
Depuis qu'il a obtenu son doctorat, Robert a enseigné des cours de commerce, d'économie et de politique à l'Université Augustana, à la Stern School of Business de NYU, à l'Université Temple, à l'Université de Virginie et ailleurs. en histoire de SUNY Buffalo en 1997.
