Periodicamente escono studi che “dimostrano” che non ci sarebbe nessuna correlazione fra
- l’aumento di miocarditi
- l’aumenti di malori improvvisi
- l’aumento di tumori
- l’insorgenza di turbo-tumori
- il calo della natalità
- ecc. ecc.
e l’introduzione, a fine 2020/inizio 2021, dei vaccini a mRNA.
A parte che se questo fosse vero, ci dovrebbero spiegare COSA ha causato questi aumenti, magari con spiegazioni più intelligenti del freddo, del caldo, del global warming, della pizza margherita o dell’ora legale.
Ora esce uno studio su circa 6 milioni
di persone vaccinate in Ontario, Canada, che afferma questo.
In questo caso ho dato un’occhiata allo studio è ho trovato un paio di punti altamente dubbi:.
- Il confronto che esclude i NON-vaccinati, ma cerca (o fa finta di cercare) solo una correlazione all’aumentere del numero di dosi. Questo mi ricorda i vari test sui vaccini che non sono mai stati condotti con un placebo nel gruppo di controllo ma sempre e solo con una versione prcedente di vaccino.
- L’esclusione a priori di tutta una serie di categorie dal campione di analisi. Anche questo è un vecchio trucco che si fa in statistica, come era stato fatto ad esempio nello studio che poi ha dato origine al film Vaxxed (cercalo fra queste pagine) dove, per mascherare una correlazione fra la vaccinazione del trivalente e il numero dei casi di autismo erano stati esclusi una fetta di bambini di colore con una scusa banale (macata egistrazione in qualche registro scolastico, mi pare di ricordare) che ad un lettore distratto poteva sembrare assolutament legittima ma grazie al whistleblower del CDC fu smascherata.
Come dico sempre, dateci i numeri:
- totali
- grezzi
- non filtrati
- con lo stato vaccinale per ogni morto (*)
e poi ne riparliamo.
(*) come per i numeri dell’ONS UK, cerca fra queste pagine.
E il gruppo di non vaccinati? Ve lo siete dimenticato?
_____________________________________________
Per concludere, riporto un interessante commento dell’amico Mirco Vandelli (anche lui citato più volte fra queste pagine).
Se torturi i dati abbastanza, confesseranno qualsiasi cosa.
Come si evita di “torturare” i dati?
Scegliendo sempre fonti autorevoli ed evitando il più possibile filtri basati su valutazioni soggettive.
Ecco perché la mortalità generale, è un dato molto più attendibile della mortalità per cause.
Il problema della mortalità generale, è che per fornire una lettura consistente di un effetto, devono essere soddisfatte alcune condizioni che purtroppo si verificano solo quando la causa produce effetti molto rilevanti.
- Il campione deve essere vasto.
- L’effetto misurato sul campione deve essere molto evidente.
- La sincronia fra l’evento causa e l’effetto, deve essere netta e oggettiva.
La curva della mortalità in eccesso in Europa, per la fascia under 14, si impenna nel 2021, in corrispondenza dell’inizio delle somministrazioni di “anti-covid” per gli under 18.
Tutte le condizioni sono soddisfatte.
Qualcuno potrebbe obiettare che lo stesso picco così netto, non si è visto per le altre fasce d’età, ma basta una semplice analisi per giungere a una spiegazione: prima di tutto, il periodo di inizio delle somministrazioni alle persone anziane, corrispondeva al picco di decessi che si verifica ogni anno nel periodo invernale, ciò ha nascosto benissimo il numero di decessi causati dalle iniezioni, inoltre, se su 1000 iniezioni ci sono stati 2 o 3 decessi nel breve termine, è chiaro che con una mortalità normale di 100 su 1000 (su base annuale), non lo si noterà nemmeno.
Per gli under 14, se la mortalità è di 1 su mille, passare da 1 a 2 o più, significa un incremento enormemente significativo.
La verità, è che probabilmente ai bambini sono state somministrate dosi molto più leggere, proprio per evitare queste evidenze, ma non ha funzionato, alla fine si vedeva ugualmente.
Le dosi fatte ad adulti e anziani, hanno prodotto un numero di decessi per 1000 dosi, probabilmente molto più alto, ma parzialmente nascosto dai numeri più grandi della mortalità normale.
Parzialmente, perché in realtà gli aumenti di mortalità si sono visti un po’ ovunque, soprattutto nel 2022, con le ultime dosi.
Cercando la citazione all’inizio del mio precedente commento su Google, troverete questo:
Le tecniche di “tortura”
I modi in cui i dati vengono forzati per avallare una tesi preconcetta sono diversi:
- Data Dredging (o p-hacking): Continuare ad analizzare o filtrare un set di dati provando infinite combinazioni finché non emerge una correlazione casuale che “fa comodo”.
- Overfitting (Sovraottimizzazione): Adattare un modello matematico in modo così rigido ai dati passati da includere anche il “rumore” di fondo, rendendo il modello totalmente inaffidabile per le previsioni future.
Rappresentazione ingannevole: Omettere il contesto o utilizzare trucchi visivi (come troncare l’asse di un grafico) per enfatizzare o minimizzare artificialmente una tendenza.
Almeno ci dicono come fanno a prenderci in giro 🤷♂