Exploratory analysis of the spread of coronavirus

Abstract

Bu tezde, yeni COVID-19 virüsünün çeşitli ülkelerdeki etkisini gösteren kapsamlı istatistiksel modeller önerilmiştir. Çalışma, virüsün çeşitli bölgelerde ilerlemesinden sorumlu temel değişkenleri analiz etmeye odaklanmıştır. Ayrıca, eğer varsa, influenza ve pnömoni ölümleri ile COVID-19 ve influenza ile ilişkili ölümler arasında istatistiksel olarak anlamlı bir ilişki kurulmaya çalışılmıştır Kaggle (2020). tarafından yayınlanan veri seti için bir regresyon modeli oluşturulmuş ve araştırma bulgularımız enfekte hastalar için hastanede tedavinin evde izolasyona kıyasla daha etkili olduğunu göstermektedir. Ek olarak, enfekte hastalarda seksen yaşın üzerindeki yaşlılarda yüksek ölüm oranı daha yaygındır ve, bir dört yaş aralığındaki çocuklar istisnadır. En dikkate değer faktörlerden bazıları zaman, coğrafya değişkeni, nüfus yoğunluğu ve kültür değişkenidir. COVID-19 ölümlerinin sayısı ile yorumlanan değişkenler arasındaki ilişkiyi ve ayrıca COVID-19 vakalarının sayısı ile yorumlanan değişkenler arasındaki ilişkiyi belirlemek için çoklu doğrusal regresyon modeli kullanılmıştır. Her iki durumda da bağımlı değişken ve bağımsız değişkenler arasında güçlü bir ilişki olduğunu gözlemlenmiştir. COVID-19 ölümlerinin ve vakalarının gelecekteki değerlerini tahmin etmek için çoklu doğrusal regresyon denklemlerinden oluşturulan tahminler kullanılmıştır.Ancak sonuçlarımız, COVID-19 ölümlerinin sayısını yaş, semptomlar, sigara, tedavi ve cinsiyeti kullanarak çoklu doğrusal regresyon tahmin edemeyeceğimizi göstermiştir. Bu nedenle daha gelişmiş bir teknik olan Bayes Analiz yöntemleri uygulanmış ve COVID-19 ölümlerinin büyük ölçüde bağımsız değişkenlerden etkilendiğini gösteren % 95 güven aralığı elde edilmiştir.

The thesis formulates comprehensive statistical models demonstrating the effects of the novel COVID-19 virus in various countries. The study is centred on analysing key variables responsible for the progression of the virus in several regions. Moreover, we sought to establish if any, a statistically significant relationship between influenza and pneumonia deaths in relation to COVID-19 and influenza related deaths. We formulated a regression model for the data set published by Kaggle (2020). Our research findings show that treatment in hospitalization is more effective than in home-isolation for infected patients. In addition, susceptibility to a high mortality rate for infected patients is prevalent among the elderly who are over the age of eighty with the exception of toddlers within the range of one to four year olds. Some of the most notable factors are time, geographical factor, population density, and cultural factor. We use multiple linear regression models to determine the relationship between the number of COVID-19 deaths and the interpreted variables and also to determine the relationship between the number of COVID-19 cases and the interpreted variables. In both cases, we observe that there is a very strong direct relationship between the dependent variable and the independent variables. We use the fitted multiple linear regression equations to predict future values of COVID-19 deaths and cases. Our results indicate that we cannot forecast the number of COVID-19 deaths using age, symptoms, smoking, treatment and gender. We carry out Bayesian analysis and obtain a 95% credible interval (CI) which tells us that COVID-19 deaths are greatly affected by the independent variables.