社交距离与COVID-19：结构化剂量—响应关系的随机化推断

社交距离被广泛认可为应对新型冠状病毒的有效的公共卫生政策。但极端的社交距离存在代价，且尚不清楚需要多大程度的社交距离方能实现公共卫生效果。本文中，我们发展了一个基于设计（design-based）的框架，以推断社交距离与COVID-19相关死亡人数及确诊病例数之间的剂量—响应关系。我们首先讨论如何将具有时间独立、连续处理剂量的观测数据嵌入近似随机化实验，并发展一种基于随机化的过程以检验结构化剂量—响应关系是否拟合数据。随后我们将该设计与检验过程推广至容纳时间依赖的处理剂量轨迹，并将剂量—响应关系推广至纵向设定。最后，我们应用所提设计与检验过程，利用自 Unacast、美国人口普查局及县健康排名与路径计划等来源汇编的数据，考察美国分阶段重启期间社交距离对公共卫生结果的影响。我们拒绝了主要分析原假设（该假设称2020年4月27日至2020年6月28日的社交距离对2020年6月29日至2020年8月2日的COVID-19相关死亡人数无影响，p值 < 0.001），并发现相较于农村县，非农村县需更大程度的出行减少方能阻止病例数的指数增长。