REFERAT

THE EFFICACY OF LOCKDOWN AGAINST COVID-19 A CROSS-

COUNTRY PANEL ANALYSIS
Disusun Oleh:
Sera Fadila Gustami
1102014243

Pembimbing:
dr. Ferryal Basbeth, Sp.F

KEPANITERAAN KLINIK BAGIAN FORENSIK

PERIODE 18 JANUARI – 30 JANUARI 2021
FAKULTAS KEDOKTERAN UNIVERSTAS YARSI
 Poin Kunci Pengambilan Keputusan

● Penguncian efektif dalam mengurangi jumlah infeksi

COVID-19 baru.
● Lockdown mulai mengurangi jumlah infeksi
COVID-19 sekitar 10 hari setelah implementasi.
● Lockdown terus mengurangi jumlah kasus baru
sebanyak 20 hari setelah dimulainya kebijakan

.
 Pendahuluan dan Pertanyaan Penelitian
● Difusi penyakit infeksi virus korona baru (COVID-19) dimulai di China pada
Desember 2019, ketika kasus pertama diidentifikasi di provinsi Wuhan. Sejak itu,
COVID-19 menyebar dengan cepat ke seluruh dunia[1]. Karena itulah, pada 11
Maret 2020, Organisasi Kesehatan Dunia (WHO) menyatakan COVID-19 sebagai
pandemic

● Menurut data WHO, pada 12 Mei 2020 terdapat lebih dari 4 juta kasus
terkonfirmasi, sekitar 280.000 kematian terkonfirmasi, dan sedikitnya 215 negara,
wilayah atau teritori yang telah melaporkan kasus infeksi terkonfirmasi. Mulai
bulan April, AS mengamati pertumbuhan cepat COVID-19

.
 Pendahuluan dan Pertanyaan Penelitian
● Dua jenis kebijakan utama dapat diidentifikasi: (1) kebijakan kesehatan yang
ditujukan untuk memperkuat kapasitas sistem rumah sakit; dan (2) kebijakan
yang bertujuan untuk mengurangi kemungkinan orang tertular virus, seperti
lockdown dan tindakan social distancing

● Naskah ini bertujuan untuk memberikan bukti empiris tentang efektivitas

tindakan lockdown melalui analisis kuantitatif, yaitu pendekatan data panel.
Kami membahas dua pertanyaan penelitian yang berbeda.
1. Adakah bukti empiris lintas negara mengenai kemampuan tindakan
penguncian?
2. Berapa lama waktu yang dibutuhkan agar tindakan penguncian menjadi efektif?
 Data dan Metode
Untuk mencapai tujuan peneliti menggunakan kumpulan data panel, dengan
data harian dari 202 negara di seluruh dunia digunakan sebagai unit observasi
statistik dasar. Secara formal, kami memperkirakan persamaan berikut (Persamaan
1):
 
Δict = α + β1ict− 1 + β2DLDct + ε

  Dimana Δi adalah kasus baru COVID-19 pada waktu t sehubungan dengan t-1
di negara c. Ini dimodelkan sebagai fungsi dari infeksi di negara c hari sebelumnya
(it − 1). Selanjutnya, Persamaan. 1 termasuk SLJJ, boneka yang memberi sinyal
apakah pada hari t ada atau tidak penguncian yang berlaku di negara c. SLJJ juga
.
dapat memberi sinyal pada negara mana yang memiliki penguncian selama x hari
(detail lebih lanjut tentang ini lebih lanjut di bawah), untuk mengontrol efisiensi
waktu kebijakan
 Data dan Metode

● Untuk memperkirakan persamaan membutuhkan

● (1) jumlah harian COVID-19 kasus;
dari kumpulan data 'Novel Coronavirus Cases' yang dikumpulkan oleh Pusat
Sains dan Teknik Sistem Universitas Johns Hopkins[9] dalam versi terbaru yang
tersedia pada 11 Mei 2020
sumber ini, menghitung variabel dependen Kasus baru, operasionalisasi Δi,
sebagai perbedaan pertama antara kasus hari ini dan kasus kemarin, dan juga salah
satu variabel independen, Kasus Y, operasionalisasinya − 1, yaitu , untuk setiap
hari, nilai absolut kasus yang ditemukan kemarin.
.
.
 Data dan Metode

● Untuk memperkirakan persamaan membutuhkan

● (2) langkah-langkah penguncian diberlakukan
mengandalkan data ACAPS dari '# COVID-19: Government Measures
Dataset'[10] .2 Hal ini memungkinkan kami untuk membedakan antara negara yang
menerapkan tindakan lockdown dan negara yang tidak. Kami menggunakan versi
terbaru yang tersedia pada 11 Mei 2020 (yang telah dikompilasi pada 5 Mei 2020),
dan membangun variabel dummy Lockdown (operasionalisasi DLD),
Strategi ini menghasilkan total 272 tindakan yang ditangkap oleh dummy
SLJJ, di 100 negara berbeda, dalam banyak waktu berbeda.

.
 Data dan Metode

Untuk memperkirakan efek rata-rata

untuk satu negara, dengan asumsi bahwa
heterogenitas di antara mereka tidak
berubah dalam 110 hari rentang waktu
kita. Tes Hausman (dilaporkan dalam
Tabel 1) juga menunjukkan bahwa
estimator efek tetap (FE) lebih disukai
daripada estimator efek acak (RE).

.
 Hasil

● Hasil estimasi melalui FGLS-FE pada sampel

lengkap dilaporkan pada Tabel 2 koefisien
positif dan signifikan secara statistik,
menunjukkan bahwa semakin banyak kasus
yang dilaporkan kemarin, semakin banyak
Kasus Baru COVID-19 hari ini.

.
 Hasil

● Lockdown memiliki koefisien negatif dan

signifikan secara statistik, menunjukkan bahwa
negara yang menerapkan lockdown memiliki
lebih sedikit Kasus Baru daripada negara yang
tidak melakukannya. Kita juga dapat melihat
bahwa manfaat dari penguncian meningkat
secara eksponensial seiring dengan berlalunya
waktu.
.
 Hasil
Di sini Lockdown positif, menunjukkan bahwa
negara-negara yang menerapkan lockdown rata-
rata memiliki lebih banyak Kasus Baru daripada di
negara-negara yang tidak melakukannya. Di Eropa,
perbedaan ini menjadi tidak signifikan secara
statistik 13 hari setelah dimulainya penguncian;
setelah 17 hari koefisien menjadi negatif,
menunjukkan keuntungan bersih setelah
menerapkan ukuran; besarnya dan signifikansi
statistiknya terus berkembang setelah 20 hari,
dengan tren yang tampaknya eksponensial
.
 Hasil
Peneliti tidak dapat berasumsi bahwa semua tindakan lockdown adalah sama di antara 202 negara berbed
yang termasuk dalam analisis ini

Tabel 4 dan 5 dan sangat

kompatibel dengan
temuan sebelumnya,
menunjukkan beberapa
ketangguhan dalam hasil.

.
 Hasil
Selain itu, peneliti juga
mereplikasi analisis yang
menggunakan penduga
Generalized Estimating
Equation GEE. Hasilnya,
termasuk dalam Tabel 6
dan dan 7, sekali lagi
mengkonfirmasi temuan
utama, menyarankan,
jika mungkin, bahkan
lebih banyak stabilitas
dalam perkiraan.
.
 Hasil

Selanjutnya, analisis varian RE linier hirarkis (ANOVA) disajikan pada Tabel 8, untuk seluruh
dataset, dan Tabel 9, untuk subsampel Eropa. Model ini memungkinkan kita untuk menganalisis
derajat varians karena perbedaan lintas wilayah.
Mengenai keseluruhan dataset (Tabel 8), wilayah yang diidentifikasi sebagai tingkat agregasi
negara adalah Afrika (27,23% dari sampel), Amerika (23,76%), Asia (22,77%), Eropa (23,27%), dan
Pasifik (2,97%). Di sisi lain, untuk sub-sampel Eropa, setelah perbedaan yang diadopsi oleh
Departemen Statistik Perserikatan Bangsa-Bangsa, 3 wilayah yang diidentifikasi adalah Eropa Timur
(22,92% dari sub-sampel ini), Eropa Utara (22,92%), Eropa Selatan (35,42%), dan Eropa Barat
(18,75%).

.
 Hasil

.
 Diskusi
● Hasil peneliti mengonfirmasi bahwa kebijakan lockdown berdampak positif pada
pandemi, dan telah mampu mengurangi jumlah kasus COVID-19 di negara yang
menerapkannya.
● hasil peneliti kuat untuk berbagai jenis penduga (yaitu FGLS, baik dengan efek tetap
dan efek acak, dan GEE), dan juga ketika mempertimbangkan kemungkinan adanya
perbedaan tergantung pada wilayah dunia atau kawasan Eropa tempat negara tertentu
berada (melalui model linier hierarkis).
● Peneliti telah membuktikan bahwa lockdown efektif, rata-rata dan di seluruh dunia,
dalam mengurangi penularan COVID-19. Lebih khusus lagi, melihat kasus Eropa,
efisiensinya dimulai sekitar 3 minggu setelah penguncian dan terus mengurangi jumlah
infeksi COVID-19 hingga 20 hari kemudian
.
 Limitasi
● kehati-hatian disarankan dalam membaca hasil ini, yang tentunya juga didorong
oleh waktu tindakan yang diambil di Eropa dan seluruh dunia, serta oleh
penyebaran pandemi (penting untuk disoroti bahwa sementara kita
mengendalikan sebagian bias ini dalam analisis multilevel, masih ada
heterogenitas penting di wilayah, yang merupakan benua untuk estimasi pada
seluruh dataset, dan aglomerat dari lusinan negara dalam kasus subsampel
Eropa)

● pentingnya dan kebutuhan untuk penyelidikan lebih lanjut tentang topik ini,
yang mungkin berfokus pada sub-sampel teritorial atau iklim yang lebih
spesifik, atau tentang bagaimana pemerintah telah menerapkan kebijakan
. kuncian.
Thank you!