Political Data Science

Im Post vom 20.03.2020 ( https://politicaldatascience.blogspot.com/2020/03/sigmoid-oder-exponentiell.html ) habe ich erklärt, wie ich Sigmoid-Modelle auf die COVID-19 Daten fitte. Zum Verständnis der Updates hier ist dieser vorherige Post entscheidend. Dazu hier Updates: 27.03.2020: Die Fallzahlen von gestern liegen mit 43.938 über der Prognose von 41.231 und auch jetzt schon über der Prognose für heute (43.889). Ich würde meinem Modell momentan NICHT vertrauen. Der Wert liegt zwar noch im Konfidenzintervall, wie ich aber unten ausgeführt habe, ist auch die Unsicherheit bei Zukunftsprognosen nichts Festes. Ich würde eher davon ausgehen, dass die Werte im Laufe des Tages noch deutlich steigen und mein Modell falsifiziert ist, als dass es eine Rückkehr zu der prognostizierten Kurve gibt. Selbst wenn die Zuwächse am Wochenende deutlich zurückgehen würden, ließe sich erst am Dienstag wieder etwas sagen, da vermutlich am Wochenende ein Meldeverzug sein wird. Hier der aktualisierte

This blogpost is a detailed background statement to this comment published in Nature at https://www.nature.com/articles/d41586-020-00828-5 . Fast-Read The following text argues that the Social Science One initiative that is celebrated by Facebook as success is an systemic failure. Privacy concerns are instrumentalized to withhold data from independent researchers while similar data is still available to private companies. The hurdles for researchers at Social Science One are set in a way that it is nearly impossible to study the effect of social media on elections and democracy. This fits to the strategic interest of Facebook to play cooperative but to control the outcomes of research. Social Science One is structured in a way that it is easy for Facebook to instrumentalize this organization. We end with policy recommendations. An appendix shows that the dataset delivered by Facebook is more or less useless. Background Facebook has announced the release of a dataset that is shar

Dies ist ein Diskussionsbeitrag - denn die Ergebnisse sind sehr merkwürdig Als Data-Scientist liegt es für mich nahe, die Daten zur Corona/COVID-19 Krise zu analysieren. Ich habe versucht, verschiedene Modelle zu fitten, um den möglichen Verlauf der Krankheit in Deutschland vorherzusagen. Ich kenne mich aber mit Virologie überhaupt nicht aus und es kann sehr gut sein, dass die folgende Analyse dumme Fehler beinhaltet. Wäre alles richtig und würde sich die Wirklichkeit tatsächlich an das Modell halten, dann wäre der Peak der Ausbreitung in Deutschland schon in wenigen Tagen erreicht. Die Daten Ich verwende die Daten des  Johns Hopkins University Center for Systems Science and Engineering (JHU CSSE) . Die Daten werden täglich auf GitHub veröffentlicht, unter:  https://github.com/CSSEGISandData/COVID-19/raw/master/csse_covid_19_data/csse_covid_19_time_series/time_series_19-covid-Confirmed.csv . Exponentiell oder Sigmoid? Häufig wird über das exponentielle Wachstum von COVID-19