Antag, at nedlukninger virker. Hvornår ville vi så kunne se en effekt på antallet af døde, når politikerne lukker ned?

Nedenstående figur (lånt her) viser sygdomsforløbet for en person, der smittes med COVID-19. Figuren viser, at der i gennemsnit går 15-17 dage, fra man får de første symptomer, til man eventuelt dør. Og at de første symptomer kommer ca. 5 dage efter man bliver inficeret. I alt går der altså – ifølge denne figur – 20-22 dage, fra infektion til død. Det er lidt højere end hvad jeg har set andre steder (Flaxman et al. (2020) antager implicit, at der går 2-3 uger), men at der går en rum tid, er der ingen tvivl om.

Da Mette Frederiksen d. 11. marts om aftenen meldte ud, at skoler ville lukke d. 16. marts og restauranter d. 18. marts, ville vi altså forvente at se en effekt af nedlukningen 2-3 uger senere. Og i mange lande er det faktisk omtrent det, vi observerer, hvilket har fået en del til at konkludere, at nedlukningerne virker (korrelation er kausalitet for dem).

Men mange empiriske studier finder faktisk en effekt på dødeligheden langt hurtigere. Fakir & Bharati (2021) finder en større effekt efter 0 dage end efter 14 og 21 dage. Dave m.fl. (2021), som jeg også har omtalt her, finder en stor effekt allerede efter 6-14 dage. Og nedenstående figur fra Fowler et al. (2021) viser, at de finder en effekt på dødstallene (panel b) allerede efter få dage. Og den største effekt allerede efter 10 dage.

Jeg har set lignende resultater i flere andre studier, og det mærkværdige er, at mange af forfatterne ikke tænker videre over det. For hvad betyder det, at man finder en effekt af nedlukningerne på antallet af døde efter få dage? Reelt set kan det kun betyde en (eller begge) af to ting:

1. Data viser, at der går meget kortere tid fra infektion til død, end læger osv. regner med.
2. Modellerne er fejlspecificeret og fanger reelt noget andet end effekten af nedlukninger.

Mit bud er, at forklaringen næppe er 1). Forklaringen er snarere 2). Og det, de fanger, er – måske – effekten af frivillige adfærdsændringer, sæsonudsving eller andet, som sker FØR politikerne lukker ned (se fx søgningen på håndsprit op til nedlukningen). Det kan dog også sagtens være andre faktorer. Fx kan Fakir & Bharati (2021)’s metode gøre, at de ganske enkelt fanger effekten af den normale virussæson, som typisk er aftagende i marts i de nordlige (og rige) lande.[1]

---

[1] Fakir & Bharati (2021) skriver “using the level of stringency in the rest of the world to predict the level of stringency of the restriction measures in a country...” Men da nedlukningerne sådan ca. fulgte enden af en almindelig viruskurve i 2020, kan det indebære, at de estimerer effekten af en almindelig viruskurve på udviklingen af COVID-19. Og når de finder større effekt i mere udviklede lande, kan det skyldes, at de udviklede lande er højere mod nord og derfor har skarpere viruskurver. Desværre kommer Fakir & Bharati (2021) ikke ind på disse problemstillinger.