というNBER論文が上がっている。原題は「Estimating the COVID-19 Infection Rate: Anatomy of an Inference Problem」で、著者はCharles F. Manski（ノースウエスタン大）、Francesca Molinari（コーネル大）。ノースウエスタン大の論文pdfにリンクしたタイラー・コーエンは、2人を最高の計量経済学者（top people with econometrics）と紹介している。
以下は導入部からの引用。
We think it misguided to report point estimates obtained under assumptions that are not well justified. We think it more informative to determine the range of infection rates and rates of severe illness implied by a credible spectrum of assumptions. In some disciplines, research of this type is called sensitivity analysis. A common practice has been to obtain point estimates under alternative strong assumptions. A problem with sensitivity analysis as usually practiced is that, in many applications, none of the strong assumptions entertained has a good claim to realism.
Rather than perform traditional sensitivity analysis, this paper brings to bear econometric research on partial identification. Study of partial identification analysis removes the focus on point estimation obtained under strong assumptions. Instead it begins by posing relatively weak assumptions that should be highly credible in the applied context under consideration. Such weak assumptions generally imply set-valued estimates rather than point estimates. Strengthening the initial weak assumptions shrinks the size of the implied set estimate.
（拙訳）
余り正当化できない前提の下で得られた点推定を報告するのはミスリーディングであると我々は考える。信頼できる前提の範囲が含意する感染率と重症化率の範囲を決定することの方が、情報としての有用性が高いと我々は考える。ある分野では、こうしたタイプの研究は感度分析と呼ばれる。一般的なやり方は、異なる強い前提の下での点推定を得ることである。通常のやり方の感度分析の問題は、多くの適用において、強い前提のいずれもが現実性が高いとは言い難いことにある。
従来の感度分析を行う代わりに、本稿では、部分識別についての計量経済学の研究を援用した。部分識別分析の研究は、強い前提の下で得られる点推定に力点を置かない。その代わり、検討している適用状況において信頼性の高い比較的弱い前提を課すことから話を始める。そうした弱い前提は、一般的に、点推定ではなく推定の集合値をもたらす。当初の弱い前提を強めると、集合推定値の大きさが縮小していく。
4月6日時点の推定値として著者たちは以下の数字を挙げている（注：％ではなく実数）。
