The Covid‐19 pandemic has produced an avalanche of data, reports, and research papers. Much of this relies on statistical modelling and analysis, and statisticians worldwide have engaged in Covid research. In recognition of this activity and the new statistical challenges that it produces, in August 2020 The Canadian Journal of Statistics (CJS) called for submissions related to Covid‐19. Papers with statistical theory and methods research on the design and analysis of Covid‐19 studies, modelling and other topics will appear in issues of the Journal according to their date of acceptance. In addition, they will be available on the CJS website as a virtual issue; papers will be added to it as they are accepted.
Readers will find that many papers deal with models for the epidemic, and also that limitations in data on Covid cases pose many challenges for model‐fitting and statistical analysis. For example, methods are needed that deal with missing infection times for reported cases, delays in testing for and reporting infections, and delays and under‐reporting of infection‐related outcomes including death, errors of measurement, and the fact that a substantial fraction of infections are never identified and reported.
The current issue contains the first two papers resulting from the call for submissions. We hope that readers will find these and later papers informative, and will be encouraged to investigate issues they raise.
The guest co‐editors who handled the reviews of submissions are Don Estep (Simon Fraser University), Nancy Heckman (University of British Columbia), Eleanor Pullenayegum (SickKids Hospital and University of Toronto), Lei Sun (University of Toronto), and Denis Talbot (Laval University).
Jerry Lawless
Guest Editor
University of Waterloo, Canada
Contenu de la Revue canadienne de statistique sur le thème de la Covid‐19
La pandémie de la Covid‐19 a donné lieu à une avalanche de données, de rapports et d'articles de recherche dont la grande partie repose sur la modélisation et l'analyse statistiques. D'ailleurs, les statisticiens du monde entier ont entrepris des recherches sur le thème de la Covid‐19. Compte tenu de cette activité et des nouveaux défis statistiques qu'elle pose, un appel à soumission sur ce thème a été lancé par la Revue canadienne de statistique (RCS) en août 2020. Des articles de recherche avec des développements méthodologiques et théoriques statistiques relatifs à la conception et l'analyse d'études sur la COVID‐9, la modélisation et autres sujets apparaîtront dans les numéros de la Revue selon la date de leur acceptation. Ces articles seront regroupés au fur et mesure dans un numéro virtuel dédié et seront disponibles sur le site Web de la RCS.
Les lecteurs constateront que de nombreux articles traitent de la modélisation de l'épidémie et que les limites liées aux données elles‐mêmes posent de nombreux défis pour l'ajustement des modèles et l'analyse statistique. Par exemple, des méthodes sont requises pour traiter les problèmes relatifs aux données manquantes ou absence d'information sur les temps d'infection des cas Covid signalés, aux retards dans le dépistage et la déclaration des infections, aux retards et sous‐déclaration des résultats d'infections eux‐mêmes, y compris le décès, les erreurs de mesure et le fait qu'une fraction importante des infections ne sont jamais identifiées et signalées.
Le présent numéro contient les deux premiers articles issus de l'appel à soumission.
Nous espérons que les lecteurs trouveront ces articles et ceux qui suivront informatifs, et seront encouragés à relever les défis et étudier les problèmes qu'ils soulèvent.
Les coéditeurs invités, en charge du processus d'évaluation des articles soumis, sont.
Don Estep (Université Simon Fraser), Nancy Heckman (Université de la Colombie‐Britannique), Eleanor Pullenayegum (Hôpital SickKids et Université de Toronto), Lei Sun (Université de Toronto) et Denis Talbot (Université Laval).
Jerry Lawless
Rédacteur Invité
Université de Waterloo, Canada