A quantitative analysis of the relationship between 5G technology and covid

Abstract

I denne artikkelen har vi utført flere tester på konspirasjonsteorien. Målet var å finne ut om 5G har en kausal eller spuriøs effekt på covid. Vårt hovedfunn antyder at det ikke er noe forhold mellom 5G og spredning av covid.

For vår enkle modell. S1, observerte vi en positiv sammenheng mellom bekreftede covid tilfeller og 5G. Vi brukte et utvalg, vårt enkle datasett, for å estimere noe om befolkningen. Vi fant at inkluderingen av en ytterligere 5G-distribusjon estimeres det en økning i bekreftede tilfeller på 753,8, alt annet likt. Dette resultatet underbygger konspirasjonsteorien, da det antyder et fremtredende forhold mellom 5G-distribusjoner og bekreftede tilfeller. Når vi utførte en hypotesetest, på et 5% signifikansnivå, observerte vi et positivt forhold mellom 5G og covid. Disse resultatene var signifikante nok til å støtte påstandene til konspirasjonsteorien. Det vi ikke visste ennå, var om forholdet hadde en årsakssammenheng.

Siden model.s1 ikke betraktet forskjellige populasjonsstørrelser, kunne det hende vi fikk et betydelig resultat på grunn av skjev data. Vi satte derfor opp en ny SLR modell som studerte forholdet mellom forekomsten av covid tilfeller per hundre tusen og 5G-distribusjoner. Når det gjelder model.s2, fant vi at med inkluderingen av ytterligere en 5G-distribusjon, anslås det å redusere forekomsten per hundre tusen med 3.487, alt annet likt. Når vi utførte en hypotesetest, på et 5% signifikansnivå, antydet dataen ikke et positivt forhold mellom 5G og covid.

Både modell s1 og s2 er enkle lineære modeller som ikke inkluderer andre forklarende variabler og har lav R2. Dette indikerte at ingen av modellene forklarte alle variasjoner i interesse variabelen. Ved å inkludere flere forklarende variabler kunne vi kontrollere for dette. I tillegg, når vi ikke kontrollerte for utelatt variabeler, risikerte vi feilaktig å estimere et årsakssammenheng mellom 5G og covid, når det kan være spuriøst. For å gi en mer nøyaktig analyse av forholdet utvidet vi derfor datasettet vårt til å omfatte flere forklarende variabler. I dette datasettet ser vi på alle observasjoner på landsnivå.

Siden vi endret variablene våre til landsnivå, lagde vi en ny SLR model hvor vi gjennomførte en regresjonsanalyse av 5G på landsnivå. Vi gjorde dette for å sikre at våre tidligere resultater fortsatt var gyldige. I tillegg ønsket å sammenligning dataen når vi utvided modellen vår ytterligere. I modell.e1 fant vi at det var en økning på 0,467 tilfeller per hundretusen for en ekstra 5G-distribusjon i landet, alt annet likt. For denne modellen avviste vi nullhypotesen på 1% signifikansnivå, og kunne derfor ikke avkrefte ideen om at 5G påvirker spredningen av covid.

For vår modell.e2 kontrollerte vi forekomsten av 5G og flere økonomiske variabler. Vi gjorde dette for å prøve å forbedre modellenes forklaringskraft. Utvidelsen inkluderte BNP per innbygger, utdanningsindeks, GINI-indeks og korrupsjonsindeks. Når alle andre ting forblir like, fant vi at virkningen av 5G har redusert i verdi, fra 0.467 til 0.138 fra modell.e1 til modell.e2. Ved å bruke et 5% signifikansnivå fant vi at dataen var kompatibel med et nullforhold mellom 5G og forekomsten av covid tilfeller per hundre tusen, i stedet for å antyde at det er et positivt forhold mellom de to.

For modell.e3 utvidet vi modell.e2 ved å legge til følgende covid-relaterte variabler, populasjonstetthet, medianalder, tester per hundre tusen og covid strenghets indeks. Vi fant at de fleste uavhengige variabler har et mer fremtredende forhold til forekomsten av covid enn 5G. Ved å bruke et 5% signifikansnivå fant vi at dataene er kompatibel med et nullforhold mellom 5G og covid forekomsten per hundretusen. Vi så at R2 verdien hadde økt, fra 39,5% til 49,5% for modell e2 til modell e3. Dette indikerer at modellens forklaringskraft, med hensyn til endringene i covid forekomst, hadde økt. Disse resultatene antyder at det tidligere bekreftede forholdet mellom 5G og covid er spuriøst, ettersom vi nå observerte at andre forklarende variabler er signifikante med hensyn til forekomsten.

Flere av de uavhengige variablene for modell.e3 var ikke signifikant. Vi bestemte oss derfor for å utføre en f-test der vi så på felles betydning av disse variablene. På et signifikant nivå på 0,69% ville vi avvise nullhypotesen og konkludere med at BNP per innbygger, befolkningstetthet, utdanningsscore, GINI, korrupsjonsscore, strenghets indeks og median alder har felles betydning med hensyn til forekomsten av covid. Resultatene styrket teorien om at det tidligere bekreftede forholdet mellom 5G og covid er spuriøst.

For å oppsummere demonstrerte vi først at det er en signifikant sammenheng mellom covid og 5G. Så undersøkte vi om dette er et spuriøs eller kausalt årsakssammenheng. Vi gjorde dette i den endelige modellen, der vi kontrollerte for flere forklarende variabler. Resultatene antydet at det var andre forklarende variabler som hadde større innvirkning på covid forekomsten. Så vårt hovedfunn antyder at forholdet mellom 5G og covid er et spuriøst årsakssammenheng.

In this paper, we have performed several tests on the conspiracy theory. The goal was to find whether 5G has a causal or spurious effect on covid. Our main finding suggests that there is no relationship between 5G and the spread of covid.

For our simple model.s1, we observed a positive connection between confirmed covid cases and 5G. We used a sample, our simple data set, to estimate something about the population. We found that with the inclusion of one more 5G deployment it is estimated an increase in confirmed covid cases of 753.8, all else equal. This result substantiates the conspiracy theory, as it suggests a prominent relationship between 5G deployments and confirmed covid cases. When performing a hypothesis test, at a 5% significance level, we observed a positive relationship between 5G and covid. These results were significant enough to support the claims of the conspiracy theory. What we did not know yet, was whether the relationship had a causal connection.

Since model.s1 did not consider different population sizes, we may have gotten a significant result due to the skewed data. We, therefore, set up a second SLR model that studied the relationship between the incidence rate of covid cases per hundred thousand and 5G deployments. As for model.s2 we found that with the inclusion of one more 5G deployment, it is estimated to decrease the incidence rate per hundred thousand by 3.487, all else equal. When performing a hypothesis test, at a 5% significance level, the data did not suggest a positive relationship between 5G and covid.

Both model s1 and s2 are simple linear models that do not include other explanatory variables and have a low R-squared. This indicated that neither one of the models did explain every variation in the explained variable. By including more explanatory variables we could control for this. In addition, when not controlling for omitted variable bias we risked wrongly estimating a causal relationship between 5G and covid when it might be spurious. To give a more accurate analysis of the relationship, we therefore further extended our dataset to include more explanatory variables. In this data set, we look at every observation on a country level.

Since we changed our variables to a country level, we first did an SLR model regressing the covid incidence rate at a country level on 5G. We did this to make sure our previous results still held after making the changes. In addition, we wanted to be able to make a comparison of the data when expanding our model further. In model.e1 we found that there is an increase of 0.467 cases per hundred thousand for one additional 5G deployment in the country, all else equal. For this model we rejected the null hypothesis at a 1% significance level, and could therefore, not debunk the idea that 5G affects the spread of covid.

For our model.e2 we controlled the incidence rate for 5G and multiple economic variables. We did this in order to try and improve our models' explanatory power. The expansion included GDP per capita, education index, GINI index, and corruption index. When all other things remain equal, we found that the impact of 5G has reduced in value, from 0.467 to 0.138 from model.e1 to model.e2l. Using a 5% significance level we found that the data is compatible with a zero-relationship between 5G and the incidence rate covid cases per hundred thousand, rather than suggesting that there is a positive relationship between the two.

For model.e3 we expanded model.e2 by adding the following covid related variables, population density, median age, tests per hundred thousand, and the covid stringency index. We found that most other independent variables have a more prominent relationship to the incidence rate than 5G. Using a 5% significance level we found that the data is compatible with a zero-relationship between 5G and the covid incidence rate per hundred thousand. We saw that the R-Squared value had increased, from 39.5% to 49.5% for model e2 to model e3. This indicates that the model’s explanatory power, in regard to the changes in the covid incidence rate, had increased. These results suggests that the previously confirmed relationship between 5G and covid is spurious, as we have now observed that other explanatory variables are significant in regard to the incidence rate.

Several of the independent variables for model.e3 were of no significance. We therefore decided to perform an f-test where we looked at the joint significance of these variables. At a significant level of 0,69% we would reject the null hypothesis and conclude that GDP per capita, population density, education score, GINI, corruption score, stringency score and median age have joint significance with regards to the incidence rate. The results strengthened the theory that the previously confirmed relationship between 5G and covid is spurious.

To summarize, we first demonstrated that there is a large and significant correlation. Then we investigated if this is spurious or causal. We did so in the final model, where we controlled for several explanatory variables. The results implied that there were other explanatory variables that had a greater impact on the incident rate. So, our main finding suggests that the relationship between 5G and covid is a spurious correlation.