Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
Análisis estadístico, evolución de la pandemia del COVID-19 y sus variables más
influyentes
Statistical analysis, evolution of the COVID-19 and its most influential variables
Análise estatística, evolução da pandemia de COVID-19 e suas variáveis mais influentes
Marco Antonio Posligua San Martin1
Instituto Superior Tecnológico Universitario San Isidro
posliguamarco@sanisidro.edu.ec
https://orcid.org/0000-0003-2552-214X
Christian Alejandro Reino Parra2
Instituto Superior Tecnológico Universitario San isidro
christianreino4648@sanisidro.edu.ec
https://orcid.org/0009-0003-7059-0616
Freddy Benjamín Naula Sigua3
Universidad de Cuenca
fbenjamin.naulas@ucuenca.edu.ec
https://orcid.org/0000-0003-2218-6216
DOI / URL: https://doi.org/10.55813/gaea/ccri/v4/n2/147
Como citar:
Reino, C., Posligua, M. & Naula, F. (2023). Análisis estadístico, evolución de la pandemia del
COVID-19 y sus variables más influyentes. Código Científico Revista de Investigación, 4(2),
617-641.
Recibido: 11/09/2023 Aceptado: 11/12/2023 Publicado: 31/12/2023
1
Auxiliar de Vinculación con la Sociedad y Presencia en la Comunidad del Instituto Superior Tecnológico Universitario San
Isidro. Tecnólogo Superior en Administración Financiera.
2
Director y docente de la carrera de Administración Financiera del Instituto Superior Tecnológico Universitario San Isidro.
Magíster en Derecho, mención Derecho Económico.
3
Docente Universidad de Cuenca. Investigador Universidad de Cuenca. Coordinador Maestría Finanzas Universidad de
Cuenca. Candidato a Doctor en Economía y Finanzas. Magister en Gestión Estratégica y Alta Dirección. Magister en Finanzas.
Intereses en Finanzas Corporativas y Análisis Financieros, así como en Valuación de activos. Revisor de Revistas Scopus.
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
618
Resumen
El brote del virus COVID-19 comenzó en Wuhan, China a finales de 2019 y se convirtió en
una pandemia global que ha afectado a todos los países del mundo, cuyos gobiernos
implementaron medidas de confinamiento y distanciamiento social para frenar la propagación
del virus, empleando planes económicos y fiscales para amortiguar el impacto generado por el
COVID-19 en cada una de sus economías, incluyeron paquetes de estímulo financiero para
empresas y hogares, préstamos de emergencia y transferencias de efectivo. La pandemia
también tuvo graves consecuencias para la salud, con millones de personas afectadas por el
virus y cientos de miles de muertes en todo el mundo. Además, la mayoría de los países
experimentaron una disminución en la actividad económica, con muchas empresas cerrando y
un aumento en el desempleo. América Latina y el Caribe fueron las regiones más afectadas.
Este trabajo tiene como objetivo determinar la evolución de casos de la COVID-19 en
diferentes países, identificar las variables influyentes y establecer el tiempo que tardó cada
gobierno en entrar en confinamiento. Para abordar el comportamiento de las variables en
estudio, se utilizará la estadística descriptiva, y se complementará con un modelo de regresión
lineal multivariado para determinar el nivel de significancia de las variables más relevantes,
como los días de confinamiento, la inversión en salud, la variabilidad de casos entre regiones
e ideologías existentes en cada país y cómo estas influyeron en la variable de estudio al
momento de hacer frente a la pandemia.
Palabras claves: COVID-19, medidas de confinamiento, regresión lineal multivariado,
variables influyentes.
Abstract
The COVID-19 virus began in Wuhan, China at the end of 2019 and became a global pandemic
that has affected every country in the world, whose governments implemented confinement
and social distancing measures to curb the spread of the virus, employing economic and fiscal
plans to cushion the impact generated by COVID-19 in each of their economies, They included
financial stimulus packages for businesses and households, emergency loans and cash transfers.
The pandemic also had serious health consequences, with millions of people affected by the
virus and hundreds of thousands of deaths worldwide. In addition, most countries experienced
a decline in economic activity, with many businesses closing and an increase in unemployment.
Latin America and the Caribbean were the most affected regions. The objetive of this work is
determine the evolution of COVID-19 cases in different countries, identify the influential
variables and establish the time it took each government to enter confinement. The behavior of
the variables under study, descriptive statistics will be used, and will be complemented with a
multivariate linear regression model to determine the level of significance of the most relevant
variables, such as days of confinement, investment in health, the variability of cases between
regions and ideologies existing in each country and how these influenced the study variable
when facing the pandemic.
Keywords: COVID-19, containment measures, multivariate linear regression, influential
variables.
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
619
Resumo
O surto do vírus COVID-19 começou em Wuhan, na China, no final de 2019 e se tornou uma
pandemia global que afetou todos os países do mundo, cujos governos implementaram medidas
de contenção e distanciamento social para retardar a propagação do vírus, usando recursos
econômicos e os planos fiscais para amortecer o impacto gerado pelo COVID-19 em cada uma
de suas economias, incluindo pacotes de estímulo financeiro para empresas e famílias,
empréstimos de emergência e transferências de dinheiro. A pandemia também trouxe graves
consequências para a saúde, com milhões de pessoas afetadas pelo vírus e centenas de milhares
de mortes em todo o mundo. Além disso, a maioria dos países experimentou um declínio na
atividade econômica, com muitas empresas fechando e o desemprego aumentando. A América
Latina e o Caribe foram as regiões mais afetadas. Este trabalho visa determinar a evolução dos
casos de COVID-19 em diferentes países, identificar as variáveis influentes e estabelecer o
tempo que cada governo levou para entrar em confinamento. Para abordar o comportamento
das variáveis em estudo, será utilizada a estatística descritiva, complementada com um modelo
de regressão linear multivariada para determinar o nível de significância das variáveis mais
relevantes, como os dias de confinamento, o investimento na saúde, o variabilidade de casos
entre regiões e ideologias existentes em cada país e como estas influenciaram a variável de no
enfrentamento da pandemia.
Palavras-chave: COVID-19, medidas de contenção, regressão linear multivariada, variáveis
influentes.
Introducción
Los coronavirus son una amplia familia de virus que se encuentran en animales y
humanos, causando así diversas afecciones desde un resfriado común hasta enfermedades más
graves como el síndrome respiratorio de Oriente Medio (MERS) y el síndrome respiratorio
agudo severo (SARS) (UNAM-CHINA, 2020). En relación con este tema las autoridades de
Wuhan (China) anuncian que desde el 12 al 29 de diciembre del 2019 ocurren los primeros
casos de neumonía, siendo así estos los primeros reportes de neumonía informados a la
Organización Mundial de la Salud (OMS) el 31 de diciembre del mismo año. Sin embargo, el
5 de enero China anuncia que los casos desconocidos de neumonía en Wuhan no corresponden
al SARS ni al MERS, por lo que la Comisión de Salud Municipal de Wuhan en un comunicado
anuncia que se inició una investigación retrospectiva sobre el brote (ACNUR, 2020). Las
autoridades de China confirman el 7 de enero que han identificado a este virus como un nuevo
corona virus inicialmente llamado 2019-nCov por la OMS (Español, 2020), este virus puede
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
620
ser identificando por los siguientes síntomas fiebre, dificultad respiratoria, tos, aumento de la
frecuencia respiratoria, dolor muscular, fatiga, dolor de cabeza y diarrea (UNAM-CHINA,
2020) en algunos casos más serios se pierde el sentido del olfato y del gusto. Se considera que
la transmisión de esta enfermedad es por gotas respiratorias y contacto estrecho (UNAM-
CHINA, 2020).
Según la Medicina de Salud Pública (MSP) informa que las personas mayores de 85
años pueden llegar a presentar cuadros clínicos más graves a causa del COVID-19. El Centro
para el Control y Prevención de Enfermedades (CDC) da a conocer que las personas que
podrían ser más propensas a este virus son las que presentan condiciones de asma, enfermedad
cerebrovascular, fibrosis quística, hipertensión o presión arterial alta, condiciones
neurológicas, como la demencia y diabetes mellitus tipo 1 (MSP, 2020).
Este virus es cada vez más severo ya que el 9 de enero se dio la primera muerte en
Wuhan, el fallecido fue un hombre de 61 años quien sufrió una insuficiencia respiratoria tras
una neumonía severa, por lo que la Comisión de Salud Municipal de Wuhan dio a conocer
dicho acontecimiento el 11 de enero del 2020 (Español, 2020). Posteriormente este nuevo
coronavirus se fue expandiendo a las afueras de China dando como consecuencia el primer
caso de coronavirus detectado fuera de este país el 13 de enero por un ciudadano chino que
había viajado a Tailandia procedente de Wuhan (ACNUR, 2020). El segundo caso a las afueras
de China se dio el 16 de enero en Japón, las autoridades confirman que un hombre japonés que
viajó a Wuhan está infectado con el virus, el 17 de enero funcionarios de salud de China
confirman que una segunda persona murió en el país. Previo a esto Estados Unidos responde
al brote implementando exámenes de detección de síntomas en los aeropuertos de San
Francisco, Nueva York y Los Ángeles. El 19 de enero se reportan casos en Beijing y Shenzhen,
China. Esta pandemia fue cada vez más grave dado que el 20 de enero China reporta 139 casos
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
621
nuevos de la enfermedad, incluida la muerte de una tercera persona, de la misma manera Corea
del Sur confirma su primer caso.
A pesar de las medidas de bioseguridad que tomó Estados Unidos en los aeropuertos el
21 de enero funcionarios en el estado de Washington confirman el primer caso de coronavirus
en este País. Wuhan anuncia el 22 de enero que cerrará «temporalmente» sus aeropuertos y
estaciones de ferrocarril para los pasajeros que salen de la ciudad, tras la noticia de que el
número de muertos por el coronavirus a ha aumentado a 17 y el número de casos en China ha
crecido a 547 en el continente. El 24 de enero se reportan los primeros casos de coronavirus en
Francia. El 30 de enero comunican que el número de casos han aumentado a más de 9.600, así
como el número de muertes que asciende a 170. A consecuencia de esta propagación y viendo
la gravedad del asunto la OMS declara al coronavirus como una emergencia internacional de
salud pública. Por ende, la administración de Donald Trump anuncia el 31 de enero que
denegará la entrada a los extranjeros que han viajado a China en los últimos 14 días (Español,
2020), de la misma forma España confirma su primer caso por un turista alemán residente en
La Gomera (ACNUR, 2020).
Sin embargo, el 2 de febrero un hombre muere en Filipinas, siendo esta la primera
muerte a las afueras de China desde que comenzó el brote de la enfermedad. Como resultado
el 11 de febrero la OMS nombra al coronavirus como COVID-19 (Español, 2020).
Este brote se expandió cada vez más y de una manera mucho más significativa, ya que
el 14 de febrero un turista chino que fue diagnosticado con el virus muere en Francia,
convirtiéndose en la primera persona en fallecer por el brote en Europa, mientras que África
confirma su primer contagio. Sin embargo, el 24 de febrero Kuwait, Baréin, Omán e Irak
registran sus primeros casos, de personas que habían estado en Irán. La OMS manifiesta que
el brote aún puede ser superado, insistiendo en que es prematuro declarar COVID-19 como
pandemia. El 25 de febrero Austria, Suiza y Croacia reportan sus primeros casos (Staff, 2020).
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
622
Brasil confirmó el primer caso de América Latina el 26 de febrero por un hombre de 61 años
que había regresado recientemente a São Paulo de un viaje de negocios al norte de Italia
(Gonzalez, y otros, 2020).Además los funcionarios de los CDC comunican que un paciente de
California que está siendo tratado por un nuevo coronavirus es el primer caso de origen
desconocido en Estados Unidos, ya que este paciente no tenía antecedentes de viaje relevantes
ni exposición a otro paciente conocido, es el primer caso posible de «propagación comunitaria»
(Español, 2020). El 28 de febrero se confirma el primer caso en México (Gonzalez, y otros,
2020).
Siendo así el 29 de febrero un funcionario de salud anuncia la primera muerte en
Washington, mientras que Ecuador también da a conocer su primer caso confirmado
(Gonzalez, y otros, 2020). El 1 de marzo se confirma el primer caso en la República
Dominicana por un turista italiano de 62 años. (Español, 2020). Luego se dio a conocer el 3 de
marzo los primeros casos en Argentina y Chile (Gonzalez, y otros, 2020).
A consecuencia de este contagio masivo el 3 de marzo la Reserva Federal recorta las
tasas de interés en medio punto porcentual en un intento de sacudir a la economía
estadounidense ante las preocupaciones sobre el brote de coronavirus. Dentro de esta misma
fecha Irán anuncio que 23 miembros dieron positivo a este virus. Mientras que a nivel de
Latinoamérica los casos siguieron aumentando, de tal manera que Colombia, Costa Rica y Perú
dan a conocer el 6 marzo sus primeros contagiados, del mismo modo Paraguay anuncia el 7 de
marzo su primer caso y Panamá el 9 de marzo anuncian también su primer contagio (Gonzalez,
y otros, 2020). Por consiguiente, el presidente del Consejo de Ministros Conte Giuseppe
anuncia que todo el país de Italia está bloqueado (Español, 2020). Así la OMS declara el 11 de
marzo que el nuevo brote de coronavirus es una pandemia. Los siguientes primeros casos
confirmados fueron en: Bolivia el 10 de marzo, 11 de marzo en Cuba y Honduras, 13 de marzo
en: Guatemala, Puerto Rico, Uruguay y Venezuela (Gonzalez, y otros, 2020).
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
623
El 13 de marzo Trump declara una emergencia nacional para liberar US$ 50.000
millones en recursos federales para combatir el coronavirus (Español, 2020). Los primeros
casos dentro de Latinoamérica se dieron el 18 de marzo en: El Salvador y Nicaragua (Español,
2020). El 25 de marzo los líderes de la Casa Blanca y el Senado llegan a un acuerdo sobre un
acuerdo de estímulo de US$ 2 billones para compensar el daño económico del coronavirus,
produciendo así una de las medidas más caras y de mayor alcance en la historia del Congreso
(Español, 2020).
La crisis sanitaria del covid-19 ha traído varios efectos negativos a nivel mundial como
la caída del PIB con un -4,4%, sin embrago se espera un incremento del 5,2% para el año 2021
(Internacional, 2020). Otros efectos de esta pandemia son: la disminución del tráfico aéreo,
menor demanda de servicios turísticos afectando a los países dependientes de estos como
México, República Dominicana y Cuba. Otra de las consecuencias es la caída de los precios de
las materias primas de minerales -como cobre y hierro- se suma la disminución en el precio de
alimentos como la soja, el maíz, las carnes y los cereales. Pero lo más sorprendente es la caída
del precio del petróleo (Cecilia, 2020). La interrupción de las cadenas de producción a nivel
global en la cual los países más afectados por estas cadenas son México y Brasil, cuyos sectores
manufactureros son los más grandes de la región. Por ejemplo, el sector automotriz en México.
De la misma forma esta pandemia trajo consigo la Fuga de capitales y devaluación de las
monedas (Cecilia, 2020). A pesar de que la afección tuvo un nivel global, las regiones en
desarrollo más afectadas por esta pandemia son América Latina y el Caribe (CEPAL, 2020).
Según la directora de la institución financiera, Kristalina Georgieva anuncia que hace
solo tres meses, se esperaba un crecimiento positivo del ingreso per cápita en más de 160 de
nuestros países miembros en 2020. Hoy, ese número ha cambiado ya que se proyecta que más
de 170 países experimentarán un crecimiento negativo este año (Mundo, BBC News, 2020).
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
624
Resumiendo lo planteado el presente trabajo pretende determinar de una manera más
precisa si los casos del coronavirus han aumentado o disminuido en los diferentes países a nivel
mundial para así poder determinar si estos superan o no al 50% de la población de cada país,
identificando así mismo cuáles son las variables influyentes implicados en este trabajo. Por lo
tanto, resulta de vital importancia determinar la caída del PIB de cada país, la inversión en el
área de la salud para así identificar de una forma más explícita que tan equipado estaba cada
país, las defunciones ocurridas en cada país para poder establecer que tiempo se tardó el
gobierno para entrar en confinamiento con respecto al COVID-19.
Desarrollo
De acuerdo a De Wit, et al., (2016), quienes explican que los síndromes respiratorios
conocidos como el SARS y MERS son patógenos zoonóticos que pueden causar enfermedades
respiratorias graves en los seres humanos, varios factores están asociados con la progresión al
síndrome de dificultad respiratorio aguda, especialmente la edad avanzada y el sexo masculino.
Adicionalmente, varios trabajos se han publicado, entre ellos el estudio por Trujillo y Villamil
(2014) acerca del MERS-COV, abordando temas como morbilidad y mortalidad, en relación a
variables como sexo, edad y raza. De la misma forma, el artículo de Cortellis (2020), argumenta
que para el brote del año 2003 los síntomas del SARS no fueron idénticos en todos los
pacientes, tanto que, casi el 100% de los adultos y niños presentaron fiebre, y aproximadamente
la mitad con tos y/o mialgia. Además, sólo unos pocos pacientes tenían síntomas de las vías
respiratorias superiores y detectaron linfopenia, leucopenia y trombocitopenia en algunos
pacientes.
De acuerdo a la publicación de Guiñez (2020), en diciembre de 2019 surge en China un
nuevo brote de neumonía la cual fue identificada como SARS-CoV-2 el cual tiene una rápida
propagación al ser trasmitido principalmente mediante tos, estornudo o contacto. Presenta
diversos síntomas como fiebre, tos seca y mialgia. Por su parte, Arteaga (2020) comunica en
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
625
la revista médica de Chile que el número de casos secundarios por COVID-19, que en promedio
genera un caso contagioso a lo largo de un período infeccioso en una población completamente
susceptible, fue inicialmente estimado en 2,2 días para Wuhan y después entre 2,0 y 2,6 días
para él mismo. El periodo de incubación fue estimado en 5,2 días en Wuhan, con una
distribución entre 1 a 12,5 días.
Ante la lucha para frenar la propagación del COVID-19, Sánchez y de La Fuente (2020)
exponen en una publicación el concepto de cuarentena, distanciamiento social, confinamiento
y la importancia de su implementación con la finalidad de salvaguardar la vida de las personas.
Así mismo, dan a conocer estrategias para reducir las interacciones sociales, uso obligatorio de
mascarillas, restricción en la circulación, cierres de fronteras. Por otra parte, Banerjee and
Nayak (2020) analizaron la efectividad del distanciamiento social en los Estados Unidos
empleando un método novedoso de contacto con teléfonos celulares (ping) para cuantificar las
medidas de distanciamiento social de todos los condados de EE.UU, como resultado obtuvieron
que el distanciamiento social ha sido efectivo para reducir la propagación del COVID-19.
Canals, et al., (2020) da a conocer sobre la vigilancia en los primeros meses de la pandemia
por COVD-19 en Chile en el sector de la salud, analizando así variables sobre el registro de
casos presentados, la carga sobre las camas de cuidados intensivos disponibles, tasa de letalidad
y número de pruebas PCR efectuadas para el SARS-CoV-2. De igual manera Acosta (2020)
determinó la capacidad de respuesta frente a la pandemia de COVID-19 en América Latina y
el Caribe, implementando una metodología de regresión JoinPoint la cual le permitió
determinar el mayor crecimiento en el número de casos y la velocidad de crecimiento. La
misma que identificó que la tasa de mortalidad se asocia con la población total, el índice de
rigor, el nivel de urbanización, la proporción de la población que vive con menos de un dólar
al día, la prevalencia de diabetes y el número de camas hospitalarias. Montenegro (2020)
propone un modelo de atención en salud que integra tecnologías que pueden emplearse en el
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
626
lugar de atención (point-of-care) y técnicas de inteligencia artificial, que recoge datos
personales, signos, síntomas y nexos epidemiológicos compatibles con COVID-19, quienes
serán priorizados y sometidos a una prueba de diagnóstico rápido para la búsqueda de
anticuerpos anti-SARS-CoV-2.
Basado en los reportes del Instituto Nacional de Salud (INS). Sánchez (2020) publica
un análisis sobre las características clínicas básicas de los primeros 100 casos de fallecimientos
por COVID-19 en Colombia tomando como referencia el reporte diario de los pacientes con
confirmación de infección por COVID-19, de los cuales 63 fueron de sexo masculino, el
promedio de edad fue 65,75 ± 18,11 años y en 22 de ellos no se había reportado comorbilidad.
Guiñez (2020) en su publicación da a conocer que la tasa de mortalidad por SARS-CoV es de
un 10%, del MERS-CoV un 34% y del SARS-CoV-2 es de un 0.39% - 17.9%. Sin embargo,
Maguiña, et al., (2020) concluye que las estimaciones de mortalidad pueden estar influenciadas
por datos demográficos de la población y las diferencias en los programas de detección.
CEPAL (2020) emitió un informe el cual abarca temas relacionados a los efectos
económicos y sociales a nivel mundial ante la pandemia del COVID-19. Por su parte, Sanahuja
(2020) examina la situación que afrontará América Latina ante la COVID-19 y la posibilidad
de que la región afronte una nueva “década perdida” y que el PIB regional caerá -5,3%, un
descenso peor que al inicio de la “Gran Depresión” en 1930, incrementando los niveles de la
pobreza extrema y desempleo. Balza, et al., (2020) da a conocer que los precios del petróleo
han caído a causa del COVID-19, trayendo consigo efectos drásticos en los flujos de ingresos
e inversión de los países de la región ricos en recursos naturales no-renovables y afecta de
manera inmediata a los ingresos fiscales provenientes de estos recursos.
De allí en adelante, se busca obtener más información tanto cualitativa y cuantitativa
sobre el impacto del COVID-19 en los sectores económicos, políticos y sociales, en las cuales
se menciona diversos estudios realizados como de Aquino, et al., (2020),quien nos indica
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
627
cuáles son las poblaciones vulnerables con respecto al COVID-19, Nikolich, et al., (2020) da
a conocer sobre los SARS-CoV-2 y COVID-19 en adultos mayores: lo que podemos esperar
en cuanto a la patogénesis y las respuestas inmunológicas, Palaniappan et al., (2020) realiza
una comparación de los sistemas de salud de Corea del Sur e Italia e iniciativas para combatir
COVID-19, Guo, et al., (2020) comunica sobre la Política Pública frente al Covid-19:
Recomendaciones para América Latina y el Caribe. Banco Interamericano de Desarrollo,
Blackman, et al., (2020), Clavellina y Domínguez (2020) argumenta sobre las implicaciones
económicas de la pandemia por COVID-19 y las opciones de política de la misma, Peraza
(2020) da a conocer sobre la salud laboral frente a la pandemia del COVID-19 en Ecuador,
Ogonaga y Chiriboga (2020) realiza un análisis descriptivo de las provincias y ciudades más
afectadas, CEPAL-OPS (2020) explica sobre el control de los contagios de la pandemia para
la reactivación de la economía de América Latina, Fondo Monetario Internacional (FMI, 2020)
da a conocer las perspectivas sobre la economía mundial del país.
Metodología
Para abordar la propuesta planteada en esta investigación se empleará una estadística
descriptiva y una tabla de correlación.
Variables
El presente estudio tendrá por objetivo conocer el alcance del COVID-19 en cada uno
de los países, para ello se empleará como variable dependiente el número de casos de COVID-
19 por cada millón de habitantes, donde se observará la gravedad que generó la pandemia en
cada país. Como variables independientes se emplearán las siguientes:
X1; Región: La variable a ser utilizada es de tipo cualitativa nominal, para conocer
el impacto de la pandemia en cada una de las regiones y si esto incide en los casos presentados
a nivel mundial (América=1; Europa=2; Asia=3; Oceanía=4; África=5).
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
628
X2; Hubo confinamiento: Variable de tipo cualitativa binaria de SI=1 y NO=2, para
determinar la relación que esta medida tuvo con el número de contagios en cada país.
X3; Tipo de Confinamiento: Se empleará una variable de tipo cualitativa ordinaria
con las siguientes connotaciones de acuerdo al confinamiento ejercido por cada país: Nulo=1,
Parcial=2, Total=3. Nulo en caso de que no se hayan implementado ningún tipo de medidas,
parcial para aquellos países que restringieron ciertas actividades y total para quienes hayan
recurrido a medidas rigurosas como el encierro general.
X4; Número de días en confinamiento: Se utilizará una variable de tipo cuantitativa
discreta, la cual se determinará por los días transcurridos entre las fechas de inicio y fin de
confinamiento (Tomando como fecha de corte el 13 septiembre para los países que aún no
concluyan con su primer confinamiento y para aquellos que hayan finalizado antes, su
respectiva fecha).
X5; Restricciones de vuelo: Si existió o no restricciones de vuelo por cada país, se
empleará una variable de tipo cualitativa binaria de SI=1 y NO=0, para determinar si estas
restricciones incidieron en el número de contagios.
X6; Números de muestras realizadas para COVID-19: Variable de tipo cuantitativa
discreta que dará a conocer si el número de Test tuvo incidencia en el panorama de casos
positivos.
X7; Inversión en Salud: Variable de tipo cuantitativa continua que representa el %
del gasto corriente en salud por país en relación del PIB.
X8; Tendencia Política: Se utilizará una variable de tipo cualitativa nominal para
conocer si influyeron las distintas tendencias ideológicas en el número de contagios per cápita
(Derecha=1; Izquierda=2; Centro=3; Ninguno=4).
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
629
El modelo
El presente modelo trata de determinar los principales factores que influyen en el
número de casos por millón habitantes, el modelo se describe en la ecuación 1.
1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8
Y X X X X X X X X
= + + + + + + + + +
(1)
El modelo tiene como variable dependiente el número de casos por millón de habitantes
(Y) y como variables explicativas la región, tipo de confinamiento, número de días en
confinamiento, inversión en salud, restricciones de vuelo, número de muestras realizadas
COVID-19, tendencia política. El modelo permitirá desarrollar una ecuación lineal con fines
predictivos, por medio del software STATA se obtendrán las variables ∝ (constante de
desplazamiento de la recta de regresión con respecto al origen), β (coeficiente de regresión que
indica cuantas unidades aumentará la variable dependiente por cada unidad que aumente la
independiente), μ (Error que tiene una media de 0) y X (Variables que ya fueron previamente
descritas).
Datos
En la tabla 1 se detallan las fuentes de las cuales se obtuvo la información para la
elaboración de este artículo, la fecha de corte para el número de habitantes, casos totales, test
para Covid-19 fue el 29 de noviembre de 2020, para la variable de inversión en salud se emplea
la media entre los años 2012-2017, las variables para días de confinamiento tuvieron como
fecha de corte 13 de septiembre de 2020 en caso de que el confinamiento supere esta fecha.
Tabla 1:
Variables explicativas del modelo lineal
Variables
Fuentes
Región
Worldometer
Hubo Confinamiento
Reuters
Tipo de Confinamiento
COVID Controls, EconomiaDigital
Número de días en confinamiento
COVID Controls, DiarioAS, 1Point3Acres
Inversión en salud
The World Bank
Restricciones de vuelo
COVID Controls
Número de muestras realizadas COVID-19
Worldometer
Tendencia Política
Barcelona Center for International Affairs (CIDOB), CNN
Elaborado por: Los autores
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
630
Para el presente estudio se utilizará una estadística descriptiva, empleando para ello
variables de tipo cuantitativa para analizar el Número de casos por millón de habitantes (Y),
Número de días de confinamiento (X4), Número de muestras realizadas para COVID-19 (X6)
y la Inversión en salud (X7), obteniendo para cada una la media, mediana, moda, desviación
estándar, la correlación de cada variable independiente con respecto a la dependiente (Y).
Variables de tipo cualitativa para describir Región (X1), Hubo confinamiento (X2),
Tipo de confinamiento que empleó cada país (X3), Restricción de vuelos (X5) y Tendencia
política (X8). Representando cada uno con su valor porcentual para poder conocer la incidencia
que tendrán los datos obtenidos sobre las variables mencionadas anteriormente.
Resultados
A continuación, se darán a conocer los respectivos resultados de las diferentes variables
que servirán como tema de discusión para comparar cada una de estas y realizar los análisis
sobre el número de casos de covid-19 con cada una de ellas.
En la tabla 2 se puede ver que, del total de los continentes analizados, Oceanía es la
región que menos casos por millón presenta con 743 (representando 100%), en base a ello se
estableció una comparativa de dicha región con respecto a las demás, de esta forma américa
con 26 681 casos/millón representa el 3 590.16% Europa con 22 855 casos/millón el 3
075.26%, Asia con 3 481 casos/millón muestra el 468.45% y África con 1 909 casos/millón
representa el 256.96%. Por lo tanto, se puede observar que Europa ha tenido el mayor índice
de contagios por millón de habitantes.
Tabla 2:
Descripción variable independiente X1
Región
% Respecto Oceanía
América
3590.16%
Europa
3075.26%
Asia
468.45%
África
256.96%
Oceanía
100.00%
Elaborado por: Los autores
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
631
En la tabla 3 se indican los casos de Covid-19 y el porcentaje que este representa por
región, dichos datos fueron recopilados hasta el 29 de noviembre 2020, donde el total de casos
fue de 61 607 476, siendo América la región que ocupa el primer lugar por casos con un
43.93%, en segundo lugar, Europa con 27.60%, seguido por Asia con 25.28%, en penúltimo
lugar África con 3.14% y finalmente Oceanía con 0.05% de casos Covid-19.
Tabla 3:
Descripción del total de casos Covid-19
Región
Casos Covid-19
% por región
América
27 062 366
43.93%
Europa
17 001 655
27.60%
Asia
15 575 359
25.28%
África
1 937 453
3.14%
Oceanía
30 643
0.05%
Elaborado por: Los autores
En la tabla 4 se puede ver que, del total de países abordados, 130 de ellos aplicaron
alguna medida de confinamiento (parcial, total), representando el 98.73% del total de casos de
Covid-19, mientras que 22 países no implementaron ningún tipo de medida y estos representan
el 1.27% de casos.
Tabla 4:
Descripción variable independiente X2
Hubo Confinamiento
# Países
Casos Covid-19
%
SI
130
60 823 581
98.73%
NO
22
783 895
1.27%
Elaborado por: Los autores
En la tabla 5 se observa los tipos de confinamiento que se emplearon en cada región,
entre los cuales están:
✓ Nulo: Conlleva que el país no tuvo ningún tipo de confinamiento, como: uso de
mascarilla no obligatorio, cierre de escuelas, universidades ni comercio, en algunos
casos solo se dieron recomendaciones de permanecer en casa y mantener el
distanciamiento social.
✓ Parcial: Contiene toque de queda, uso de mascarilla, cierre de jardines, escuelas,
universidades y comercio no esencial, teletrabajo y distanciamiento social.
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
632
✓ Total: Cierre de todo el comercio, toque de queda, no hay transporte público,
prohibición de movilización, cierre de escuelas, colegios y universidades, centros
comerciales, con excepción de aquellos de primera necesidad.
Por ello, aquellos países que optaron por un confinamiento total llegaron a presentar el
45.26% del total de casos de Covid-19. Para aquellos que optaron por el confinamiento parcial
están representados con un 53.47%, mientras que aquellos países que adoptaron un
confinamiento nulo muestran el 1.27% del total de casos, siendo esta medida una consecuencia
de que existían pocos casos o que los países pudieron contrarrestar los efectos de la pandemia.
Tabla 5:
Descripción variable independiente X3
Tipo de Confinamiento
# Países
Casos Covid-19
%
Nulo
22
783 895
1.27%
Parcial
54
32 939 618
53.47%
Total
76
27 883 963
45.26%
Elaborado por: Los autores
En la tabla 6 se demuestra que, del total de países estudiados, el 92.11% implementaron
restricciones de vuelo y han presentado el 94.91% de casos de Covid-19, sin embargo, el 7.89%
representa a los 12 países que no aplicaron ninguna restricción, han evidenciado el 5.09% de
casos.
Tabla 6:
Descripción variable independiente X5
Restricciones de Vuelos
# Países
% Países
Casos Covid-19
%
SI
140
92.11%
58 472 792
94.91%
NO
12
7.89%
3 134 684
5.09%
Elaborado por: Los autores
En la tabla 7 se indican las tendencias políticas de los países analizados, en la cual se
observa que la mayor parte de las naciones que adoptan políticas de derecha representan el
72.39% teniendo como impacto 44 596 691 de casos, así mismo, la tendencia política de
izquierda demuestra un 14.76% ante 9 097 372 de casos. De la misma manera, la política de
centro presenta 7 396 883 de casos, reflejando el 12.01% del total de casos por Covid-19. Por
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
633
último, se tiene aquellos países que no están bajo alguna tendencia política, y que han llegado
a tener 516 530 casos, siendo este valor el 0.84% del total de contagios.
Tabla 7:
Descripción variable independiente X8
Tendencia Política
Casos Covid-19
% Casos
% Habitantes
Derecha
44 596 691
72.39%
44.59%
Izquierda
9 097 372
14.76%
49.82%
Centro
7 396 883
12.01%
5.33%
Ninguno
516 530
0.84%
0.27%
Elaborado por: Los autores
En la tabla 8 se determina que los casos de covid-19 por millón de habitantes tienen
una media de 13 126.
Tabla 8:
Descripción de variables cuantitativas
Variables
Media
Mediana
Moda
Desviación
Casos Covid-19
405 312.00
72 334.00
amodal
1 460 884.00
Casos/1M habitantes
13 126.00
8 007.00
amodal
15 010.00
Días Confinamiento
72.50
59.50
0
58.35
#Test de COVID-19
6 475 986.00
750 278.00
amodal
23 965 53.00
Inversión Salud (% PIB)
7.07
6.78
5.705 confirmar
2.96
Elaborado por: Los autores
En la tabla 9 se analiza el porcentaje de contagios por cada región en base al número de
habitantes de las mismas, se observa que la región con mayor número de contagios es América
con el 2.67%, Europa es la segunda región con mayor índice de contagios con el 2.29%,
continua Asia con 0.35%, seguido de África y Oceanía con 0.19% y 0.07% respectivamente,
siendo estas dos últimas las regiones que menos contagios registraron.
Tabla 9:
Análisis contagios por región
Región
Habitantes
Contagiados
% por región
América
1 014 266 767
27 062 366
2.67%
Europa
743 892 219
17 001 655
2.29%
Asia
4 473 790 070
15 575 359
0.35%
África
1 014 551 866
1 937 453
0.19%
Oceanía
41 231 769
30 643
0.07%
Elaborado por: Los autores
En la tabla 10 se determina que la variable Y tiene una correlación positiva débil ante
las variables de X4, X6 y X7, es decir que, para la variable X4 a mayores casos de contagios
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
634
de COVID-19 por millón de habitantes los días de confinamiento se extenderán más, así mismo
para la variable X6 a mayor cantidad de casos por millón, los test de COVID-19 aumentarán,
por último, para la variable X7 a mayor cantidad de casos por millón la inversión en salud
aumentará.
Tabla 10:
Correlaciones variables cuantitativas
Correlación
Y
X4
X6
X7
Y (casos por millón)
1.0000
X4 (días confinamiento)
0.0651
1.0000
X6 (test COVID-19)
0.0972
0.0226
1.0000
X7 (inversión salud)
0.4305
0.1296
0.2096
1.0000
Elaborado por: Los autores
En relación a la tabla 11, se analiza la variable X1 con respecto a las regiones tomando
como base a América, se determina que ser un país europeo le otorga 10 263.39 casos más por
millón respecto a que si fuese un país de América, en cambio, al ser un país de Asia le da menos
359.5053 casos por millón respecto a que fuese un país de América, de manera similar, ser un
país de la región de Oceanía le da menos -10 909.1 casos por millón respecto a que si fuese un
país de América. Finalmente, el ser un país del continente africano le da menos 8 039.599 casos
por millón respecto a que si fuese un país de América. Al ser un modelo de regresión lineal
multivariado se debe tener en cuenta el valor de R2 ajustado que es de 0.3894.
Tabla 11:
Análisis de los casos por millón entre regiones con base América
Y
Coef.
P>|t|
Europa
10 263.39
0.003***
Asia
-359.5053
0.920
Oceanía
-10 909.1
0.071*
África
-8 039.599
0.037**
X2
-3 549.143
0.480
X3
1 334.349
0.555
X4
-16.04687
0.503
X5
-3 218.291
0.440
X6
-8.09 e-07
0.985
X7
1 148.227
0.006***
Cons
9 836.157
0.423
Elaborado por: Los autores
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
635
En referencia a la tabla 12, se analiza la variable X8 con respecto a las tendencias
políticas Derecha-Izquierda, al ser un país de Izquierda le da menos 4 794.16 casos por millón
respecto a que si fuese de Derecha. Con respecto a las tendencias Derecha-Centro, al ser un
país de Centro le da más 863.8145 casos por millón respecto a que si fuese de Derecha. Con
respecto a las tendencias Derecha-Ninguno, al ser un país sin tendencia le da más 29 720.37
casos por millón respecto a que si fuese un país de Derecha. Al ser un modelo de regresión
lineal multivariado se debe tener en cuenta el valor de R2 ajustado que es de 0.3140.
Tabla 12:
Análisis casos por millón en referencia a las tendencias políticas con base Derecha
Y
Coef.
P>|t|
Izquierda
-4794.16
0.036**
Centro
863.8145
0.782
Ninguno
29720.37
0.000***
X2
-6795.485
0.184
X3
2948.973
0.195
X4
-24.08382
0.242
X5
-4718.701
0.253
X6
-9.35e-06
0.830
X7
2693.553
0.000***
Cons
3533.101
0.769
Elaborado por: Los autores
En la tabla 13 se indica el modelo de regresión lineal establecido en la ecuación 1, las
variables independientes y explicativas X1 y X7 tienen un nivel de significancia del 1%, por
lo que influyen en el modelo, sin embargo, X4 y X8 tienen un grado de significancia del 5%
para este modelo, por lo que también son significativos.
X1.- La variable X1 en relación a Y, muestra que los casos por millón de habitantes se
reducirán dependiendo de la región.
X4.- La variable X4 en relación a Y, da a conocer que, por cada día de confinamiento
los casos por millón de habitantes se reducirán.
X7.- La variable X7 en relación a Y, indica que la inversión en salud incrementará por
cada caso/millón de habitantes.
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
636
X8.- La variable X8 con respecto a Y, da a entender que pertenecer a una tendencia
política influencia en el aumento de los casos por millón de habitantes.
Tabla 13:
Regresión Lineal Multivariada
Y
Coef.
Std. Err.
T
P>|t|
[95% Conf. Interval]
X1 (Región)
-3765.414
906.1322
-4.16
0.000***
-5556.559
-1974.27
X2 (Hubo Conf.)
-4336.455
5128.843
-0.85
0.399
-14474.6
5801.688
X3 (Tipo Conf.)
2383.581
2296.8
1.04
0.301
-2156.486
6923.647
X4 (#dias Conf.)
-52.99554
21.86307
-2.42
0.017**
-96.2121
-9.778986
X5 (Rest. Vuelo)
-5531.158
4161.374
-1.33
0.186
-13756.91
2694.598
X6 (#Test)
-5.28e-06
0.000044
-0.12
0.905
-0.0000923
0.0000818
X7 (%PIB)
1574.551
394.5737
3.99
0.000***
794.6004
2354.502
X8 (Tend. Polit.)
2982.268
1311.822
2.27
0.024**
389.2002
5575.337
Cons
15851.74
12918.83
1.23
0.222
-9684.808
41388.28
Elaborado por: Los autores
Conclusiones
De los resultados obtenidos del presente artículo se plantean directrices para quienes
estén interesados en conocer el impacto que tuvieron cada una de las variables analizadas en
esta investigación en las diferentes regiones para así brindar información que permita
contrarrestar la propagación del Covid-19.
Oceanía fue la región que menos casos por millón presentó, en base a ella se establece
que Europa es la más afectada; en relación a la fecha de corte del 29 de noviembre de 2020, la
región que más casos de Covid-19 presentó fue América, dando a entender que esta región fue
las más golpeada por la pandemia, al contrario de Oceanía quien presenta los índices de
contagio más bajos entre las distintas regiones como se especificó en la tabla 8. Cabe destacar
que, la mayor parte de países llegaron a aplicar cierto tipo de confinamiento para sus habitantes,
ya que algunos de estos presentaron complicaciones en la aplicación de sus medidas de
contención, adicionalmente, involucra el incumplimiento por parte de los ciudadanos dando
como resultado un incremento exponencial de contagios. De la misma forma, existieron países
que optaron por un confinamiento total, llegando a presentar menos casos de contagios con
respecto a aquellos que implementaron medidas parciales, por otra parte, y como consecuencia
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
637
de decisiones acertadas o la confirmación de pocos casos, existen países que no implementaron
ningún tipo de confinamiento. No obstante, existieron países que impusieron restricciones de
vuelos con el fin de disminuir el número de contagios que se producen a causa de las
conexiones aéreas, las cuales acarrean una mayor y rápida propagación del virus por las
diferentes regiones, se determina también que los contagios por región en base a su población
fueron mayores en América, sin embargo, en África y Oceanía hubo un menor índice de
contagios.
Con respecto a la correlación se plantea una relación directa entre las variables
independientes y la dependiente (Y), siendo esta una correlación positiva débil, es decir que, si
los casos por millón aumentan, lo harán de igual manera las variables de inversión en salud,
casos y el número de test de COVID. De la misma manera, se determinó que ser un país con
tendencia política de derecha implica tener un mayor índice de contagios que aquellos con una
ideología de izquierda u otras. La inversión que realizaron los gobiernos en el área de la salud
promedia el 6.5% de su Producto Interno Bruto, lo que puede influir en la capacidad estratégica
de cada país (test, suficiencia hospitalaria, personal sanitario, etc.) y facilitar la toma de
acciones para mitigar la propagación del coronavirus. En cuanto al modelo de regresión lineal
se indica que las variables: Región, días de confinamiento, inversión en salud y tendencia
política son las más relevantes en este estudio de investigación.
Para concluir este proyecto de investigación, en el cual se busca proveer información
acerca del origen del Covid-19, su expansión e impacto en los diferentes países mediante la
aplicación del modelo de regresión lineal multivariado y realizar así el análisis de los datos
recopilados de cada nación por región para cada una de las variables designadas, indicando así
mismo cuales han sido las más relevantes con relación al número de casos; permitiéndonos de
tal manera visualizar un panorama más amplio de como afectó esta pandemia a cada región y
el cómo actuaron sus gobiernos para la protección tanto de sus sectores políticos, económicos
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
638
y sociales. De igual manera, dar a conocer la importancia que han tenido los días de
confinamiento, inversión en salud, la variabilidad de casos entre regiones e ideologías
existentes en cada país al momento de hacer frente a la pandemia aun existente. Por lo tanto,
se espera que este documento pueda ser de utilidad para los lectores que deseen conocer más a
profundidad sobre el tema tratado.
Referencias bibliográficas
ACNUR, C. E. (Marzo de 2020). Agencia de la ONU para los Refugiados comité español.
Obtenido de Agencia de la ONU para los Refugiados comité español:
https://eacnur.org/blog/cronologia-del-coronavirus-evolucion-de-la-pandemia-
tc_alt45664n_o_pstn_o_pst/
Acosta LD. Capacidad de respuesta frente a la pandemia de COVID-19 en América Latina y
el Caribe. Rev Panam Salud Publica. 2020;44:e109.
https://doi.org/10.26633/RPSP.2020.109
Aquino-Canchari, Christian Renzo, Quispe-Arrieta, Rocío del Carmen, & Huaman Castillon,
Katia Medalith. (2020). COVID-19 y su relación con poblaciones vulnerables. Revista
Habanera de Ciencias Médicas, 19(Supl. 1), e3341. Epub 10 de junio de 2020.
Recuperado en 15 de noviembre de 2020, de
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1729-
519X2020000400005&lng=es&tlng=es.
Arteaga Herrera, Óscar. (2020). COVID-19. Revista médica de Chile, 148(3), 279-280.
https://dx.doi.org/10.4067/S0034-98872020000300279
Balza, L., Carvajal, P., Martínez, M., Montanez, L., & Sucre, C. (18 de Mayo de 2020). La
crisis de los precios de petróleo ante el COVID-19: recomendaciones de política para
el sector energético. Obtenido de BID: https://blogs.iadb.org/energia/es/la-crisis-de-
los-precios-de-petroleo-ante-el-covid-19-recomendaciones-de-politica-para-el-sector-
energetico/
Balza, L., Carvajal, P., Martínez, M., Montanez, L., & Sucre, C. (18 de Mayo de 2020). La
crisis de los precios de petróleo ante el COVID-19: recomendaciones de política para
el sector energético. Obtenido de BID: https://blogs.iadb.org/energia/es/la-crisis-de-
los-precios-de-petroleo-ante-el-covid-19-recomendaciones-de-politica-para-el-sector-
energetico/
Banerjee, T., & Nayak, A. (2020). U.S. county level analysis to determine if social distancing
slowed the spread of COVID-19. Revista Panamericana de Salud Publica/Pan
American Journal of Public Health. https://doi.org/10.26633/RPSP.2020.90
Bárcena, A., & Etienne, C. F. (n.d.). Directora Organización Panamericana de la Salud (OPS)
Secretaria Ejecutiva Comisión Económica para América Latina y el Caribe (CEPAL).
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
639
Blackman, A., Ibáñez, A. M., Izquierdo, A., Keefer, P., Moreira, M. M., Schady, N., &
Serebrisky, T. (2020). La Política Pública frente al Covid-19: Recomendaciones para
América Latina y el Caribe. Banco Interamericano de Desarrollo. Retrieved from
https://publications.iadb.org/es/la-politica-publica-frente-al-covid-19-
recomendaciones-para--america-latina-y-el-caribe
Canals M, Cuadrado C, Canals A, Yohannessen K, Lefio LA, Bertoglia MP, , et al., Epidemic
trends, public health response and health system capacity: the Chilean experience in
four months of the COVID-19 pandemic. Rev Panam Salud Publica. 2020;44:e99.
https://doi.org/10.26633/RPSP.2020.99
Cecilia, B. (13 de Abril de 2020). BBC News MUndo. Obtenido de BBC News MUndo:
https://www.bbc.com/mundo/noticias-52251104
CEPAL. (3 de Abril de 2020). América Latina y el Caribe ante la pandemia del COVID-19.
Obtenido de CEPAL:
https://repositorio.cepal.org/bitstream/handle/11362/45337/4/S2000264_es.pdf
CEPAL. (6 de Agosto de 2020). CEPAL. Obtenido de CEPAL:
https://repositorio.cepal.org/bitstream/handle/11362/45877/1/S2000497_es.pdf
CEPAL-OPS. (30 de Julio de 2020). Salud y economía: una convergencia necesaria para
enfrentar el COVID-19 y retomar la senda hacia el desarrollo sostenible en América
Latina y el Caribe. CEPAL. Recuperado de
http://docs.bvsalud.org/biblioref/2020/07/1116086/opshsscovid-19200027_spa.pdf
Clavellina, J., & Domínguez, M. (2 de Abril de 2020). Implicaciones económicas de la
pandemia por COVID-19 y opciones de política. Obtenido de Senado de la República:
http://bibliodigitalibd.senado.gob.mx/bitstream/handle/123456789/4829/NE_coronavi
rus_implicaciones%20económicas%20_010422020.pdf?sequence=1&isAllowed=y
Clavellina, J., & Domínguez, M. (2 de Abril de 2020). Implicaciones económicas de la
pandemia por COVID-19 y opciones de política. Obtenido de Senado de la República:
http://bibliodigitalibd.senado.gob.mx/bitstream/handle/123456789/4829/NE_coronavi
rus_implicaciones%20económicas%20_010422020.pdf?sequence=1&isAllowed=y
Cortellis. (2020). Disease Briefing:. Recuperado de https://clarivate.com/wp-
content/uploads/dlm_uploads/2020/01/CORONAVIRUS-REPORT-23.3.2020.pdf
De Wit, E., Van Doremalen, N., Falzarano, D., & Munster, V. J. (2016). SARS and MERS:
Recent insights into emerging coronaviruses. Nature Reviews Microbiology.
https://doi.org/10.1038/nrmicro.2016.81
Español, C. (14 de Mayo de 2020). CNN. Obtenido de CNN:
https://cnnespanol.cnn.com/2020/05/14/cronologia-del-coronavirus-asi-empezo-y-se-
ha-extendido-por-el-mundo-el-mortal-virus-pandemico/
Fondo Monetario Internacional. (Octubre de 2020). INFORMES DE PERSPECTIVAS DE LA
ECONOMÍA MUNDIAL OCTUBRE DE 2020. Obtenido de International Monetary
Fund: https://www.imf.org/es/Publications/WEO/Issues/2020/09/30/world-economic-
outlook-october-2020
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
640
Gonzalez, E., Hopkins, K., Horwitz, L., Nagovitch, P., K. Sonneland , H., & Zissis, C. (21 de
Octubre de 2020). Americas Society / Council of the Americas. Obtenido de Americas
Society / Council of the Americas: https://www.as-coa.org/articles/el-coronavirus-en-
america-latina#brasil
Guiñez-Coelho, Marcial. (2020). Impacto del COVID-19 (SARS-CoV-2) a Nivel Mundial,
Implicancias y Medidas Preventivas en la Práctica Dental y sus Consecuencias
Psicológicas en los Pacientes. International journal of odontostomatology, 14(3), 271-
278. https://dx.doi.org/10.4067/S0718-381X2020000300271
Guo, Y. R., Cao, Q. D., Hong, Z. S., Tan, Y. Y., Chen, S. D., Jin, H. J., … Yan, Y. (2020,
March 13). The origin, transmission and clinical therapies on coronavirus disease 2019
(COVID-19) outbreak- A n update on the status. Military Medical Research. BioMed
Central Ltd. https://doi.org/10.1186/s40779-020-00240-0
Horwitz, L., Nagovitch, P., Holly, K., Sonneland, & Carin, Z. (5 de Agosto de 2020). COVID-
19 en Español. Obtenido de COVID-19 en Español:
https://www.covid19espanol.com/todo/donde-esta-el-coronavirus-en-america-
latina#Brasil
Internacional, F. M. (Octubre de 2020). Fondo Monetario Internacional. Obtenido de Fondo
Monetario Internacional:
https://www.imf.org/es/Publications/WEO/Issues/2020/09/30/world-economic-
outlook-october-2020
Maguiña Vargas, Ciro, Gastelo Acosta, Rosy, & Tequen Bernilla, Arly. (2020). El nuevo
Coronavirus y la pandemia del Covid-19. Revista Medica Herediana, 31(2), 125-131.
Marín-Sánchez, A. (2020). Características clínicas básicas en los primeros 100 casos fatales de
COVID-19 en Colombia. Revista Panamericana de Salud Publica/Pan American
Journal of Public Health. https://doi.org/10.26633/RPSP.2020.87
Montenegro-López D. Uso de tecnologías en el lugar de atención para el manejo de la pandemia
por COVID-19 en Colombia. Rev Panam Salud Publica. 2020;44:e97.
https://doi.org/10.26633/RPSP.2020.97
MSP. (26 de Junio de 2020). MSP. Obtenido de MSP:
https://medicinaysaludpublica.com/covid-19-grupos-con-mayor-riesgo-en-caso-de-
contagio/
Mundo, B. N. (25 de Mayo de 2020). BBC. Obtenido de BBC:
https://www.bbc.com/mundo/noticias-52793269
Mundo, B. N. (9 de Abril de 2020). BBC News. Obtenido de BBC News:
https://www.bbc.com/mundo/noticias-internacional-52225918
Nikolich-Zugich, J., Knox, K. S., Rios, C. T., Natt, B., Bhattacharya, D., & Fain, M. J. (2020,
April 1). SARS-CoV-2 and COVID-19 in older adults: what we may expect regarding
pathogenesis, immune responses, and outcomes. GeroScience. Springer.
https://doi.org/10.1007/s11357-020-00186-0
Código Científico Revista de Investigación Vol. 4 – Núm. 2 / Julio – Diciembre – 2023
641
Ogonaga, S., & Chiriboga, S. (2020). COVID-19 en Ecuador: análisis descriptivo de las
provincias y ciudades más afectadas. Obtenido de Saber.ula.ve:
http://erevistas.saber.ula.ve/index.php/gicos/article/view/16121/21921927257
Ogonaga, S., & Chiriboga, S. (2020). COVID-19 en Ecuador: análisis descriptivo de las
provincias y ciudades más afectadas. Obtenido de Saber.ula.ve:
http://erevistas.saber.ula.ve/index.php/gicos/article/view/16121/21921927257
OIT. (18 de Marzo de 2020). OIT. Obtenido de OIT:
https://www.ilo.org/wcmsp5/groups/public/---dgreports/---
dcomm/documents/briefingnote/wcms_739158.pdf
OPS. (30 de Enero de 2020). OPS. Obtenido de https://www.paho.org/es/tag/enfermedad-por-
coronavirus-covid-19
Palaniappan, A., Dave, U., & Gosine, B. (n.d.). Current topic Comparing South Korea and
Italy’s healthcare systems and initiatives to combat COVID-19.
https://doi.org/10.26633/RPSP.2020.53
Peraza de Aparicio, Cruz Xiomara. (2020). Salud laboral frente a la pandemia del COVID-19
en Ecuador. MediSur, 18(3), 507-511. Epub 02 de junio de 2020. Recuperado en 15 de
noviembre de 2020, de http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1727-
897X2020000300507&lng=es&tlng=es.
Sanahuja, J. (23 de Septiembre de 2020). COVID-19 en América Latina: la economía política
de las respuestas gubernamentales. Obtenido de Fundación Carolina:
https://www.fundacioncarolina.es/wp-content/uploads/2020/09/Captulo-para-
Revista-Pensamiento-Iberoamericano.pdf
Sanahuja, J. (23 de Septiembre de 2020). COVID-19 en América Latina: la economía política
de las respuestas gubernamentales. Obtenido de Fundación Carolina:
https://www.fundacioncarolina.es/wp-content/uploads/2020/09/Captulo-para-
Revista-Pensamiento-Iberoamericano.pdf
Sánchez-Villena, A. R., & de La Fuente-Figuerola, V. (2020, July 1). COVID-19: Quarantine,
isolation, social distancing and lockdown: Are they the same? Anales de Pediatria.
Elsevier Doyma. https://doi.org/10.1016/j.anpedi.2020.05.001
Staff, R. (28 de Junio de 2020). REUTERS. Obtenido de REUTERS:
https://lta.reuters.com/article/idLTAKBN23Z0XE
UNAM-CHINA. (17 de Febrero de 2020). Obtenido de
https://china.unam.mx/2020/02/17/que-es-el-covid-19/
Zaldumbide, V. (29 de Agosto de 2020). EL COMERCIO. Obtenido de EL COMERCIO:
https://www.elcomercio.com/cartas/consecuencias-covid19-opinion-cartas-
direccion.html