School Mask Mandates and COVID-19: The Challenge of Using Difference-in-Differences Analysis of Observational Data to Estimate the Effectiveness of a Public Health Intervention
Notice bibliographique
Résumé
BACKGROUND: There are considerable challenges when using difference-in-differences (DiD) analysis of ecological data to estimate the effectiveness of public health interventions in rapidly changing situations. OBJECTIVE: To discuss the shortcomings of DiD methodology for the estimation of the effects of public health interventions using ecological data. DESIGN: As an example, the authors consider an analysis that used DiD methodology and reported a causal reduction in COVID-19 cases due to the maintenance of school mask mandates. They did alternate analyses using various control groups to assess the robustness of the prior analysis. SETTING: School districts in the greater Boston area and Massachusetts during the 2021-to-2022 academic year. PARTICIPANTS: Students and school staff. MEASUREMENTS: Changes in COVID-19 case rates in districts that did and did not lift mask mandates. RESULTS: Important potential confounders rendered DiD methodology inappropriate for causal inference, including prior immunity, temporal variation in rates of infection, and changes in testing practices. The racial composition and income of intervention and control groups also differed substantially. Compared with maintaining the mask requirement, dropping the requirement was associated with anywhere from an increase of 5.64 cases (95% CI, 3.00 to 8.29 cases) per 1000 persons to a decrease of 2.74 cases (CI, 0.63 to 4.85 cases) per 1000 persons, depending on choice of control group and whether students or staff were examined. LIMITATION: Ecological data were used; detailed data on all potential confounders were unavailable. CONCLUSION: Alternate analyses yielded estimates consistent with a wide range of both negative and positive associations in COVID-19 case rates after removal of mask mandates. The findings highlight the challenges of using DiD analysis of ecological data to estimate the effectiveness of interventions in divergent intervention and control groups during rapidly changing circumstances. PRIMARY FUNDING SOURCE: None.
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 | 0,462 | 0,679 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,010 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,007 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».