ECON0004 Group activity

📉 病死比例减半，死亡数没少

往年的 brief 都绕着防疫措施和 COVID-19 的关系。你大概会先挑一个看着直观的因变量：累计死亡除以累计确诊，再乘 100。

先算个小例子：累计死亡一直是 100，累计确诊从 1,000 涨到 2,000，这个比例从 10% 掉到 5%。死亡一个没少，下降全来自分母。那段时间检测一扩大，记下来的轻症变多，比例自己就会往下走。

所以写模型说明前，先把分母查一遍：确诊口径有没有变，分母有没有零，确诊和死亡的时点有没有错开。分母一变，结论回答的问题也跟着变了。

📈 加了平方项，-0.04 只管 T=0

往年样例的模型里放了检测量和它的平方项，这样写是想让检测的作用随检测量变化。拿一个假设模型来看：ln(Y) 的预测值 = a - 0.04T + 0.0002T²，T 是每百人累计检测次数，系数都是我编的。

你大概会盯着回归表里 T 那一行，直接写「检测每多 1 单位，结果下降约 4%」。这句只在 T=0 时成立。加了平方项以后，T 一动，T² 也跟着动，边际效应要两项一起求：-0.04 + 0.0004T。T=20 时约 -3.2%，T=80 时约 -0.8%。同一个变量，起点不同，斜率差了四倍。

我的做法是挑两三个样本里真有的起点，各算一次斜率写进解释，读的人能看到检测的作用在变小。要说完整增加 1 单位，就比较两个拟合值，差是 -0.04 + 0.0002(2T+1)，和上面的瞬时斜率是两件事。

🔁 正系数先别写政策无效

跑出来 stringency index 的系数是正的，你顺手就会写「政策越严，病例越多，政策没用」。

政策也会跟着疫情收紧：病例先涨，防疫再加码。这条反向路径在数据里同样表现成正系数，回归分不出谁先谁后。另外，指数涨 1 点就是 1 个指数点，它把一组措施揉成一个数，不能读成每项措施都加强了 1%。

结果部分我会拆成三句：系数说明两者一起怎么动，显著性说明这个关系稳不稳，拟合优度说明模型解释了多少。三句都证明不了政策造成了结果，反向因果和遗漏变量要写进局限，再说一句换什么数据能把它们分开。

📋 建模前过一遍这张表