COVID-19 Vaccinations: Efficacy and Financial Benefits (The Case of the Pharmaceutical Companies)
Notice bibliographique
Résumé
This paper empirically investigates two sides of the COVID-19 vaccinations. The first part is a study of the vaccination efficacy and its impact on the number of new cases and new deaths, using the daily doses data of Eight different COVID-19 vaccination for a sample of 30 countries around the world. The second part is a study of the financial benefits for the same eight vaccines producers’ companies. The event study method is adopted in this research to explore the abnormal returns and its accumulations, the event date is January 30, 2020. The Vaccine’s efficacy results show that (Moderna, Oxford/Astrazeneca, and Novavax V) proved efficacy in reducing new cases and new deaths. Meanwhile, Cansino’s vaccine was effective in reducing the number of new cases only. On the other hand, vaccines like (Pfizer/ Biontech, Sinovac, Johnson & Johnson, and Sinopharm/ Beijing) didn’t prove efficacy in reducing the number of new cases and new deaths. The Financial benefits results show that the vaccine manufacturers who achieved the benefits of abnormal returns in the presence of vaccine efficacy are (Oxford/AstraZeneca and Novavax). While other manufacturers did not achieve the benefits of abnormal returns. The results also show that the pharmaceutical companies that achieved benefits on the cumulative abnormal returns in the presence of the vaccine efficacy are (Oxford/AstraZeneca, Novavax, Moderna, and CanSino). Meanwhile, the rest of manufacturers achieved cumulative abnormal returns but they are not effective in reducing the numbers of neither new cases nor new deaths.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».