Modelación espacio-temporal de la incidencia acumulada de COVID-19 en municipios de Chiapas
DOI:
https://doi.org/10.31644/IMASD.25.2020.a01Palabras clave:
Modelos bayesianos, INLA, Pandemia, COVID-19, Modelos lineales generalizadosResumen
El trabajo tiene como finalidad analizar la evolución de la tasa de incidencia acumulada de COVID-19 en los municipios de Chiapas, entre los meses de Febrero a Julio del año 2020, a partir de la aplicación de tres modelos bayesianos jerárquicos espacio-temporales ajustados mediante la Aproximación Anidada Integrada de Laplace (INLA) con el paquete R-INLA que incluyen la estimación de efectos aleatorios estructurados y no estructurados espaciales y temporales. Los resultados muestran la existencia de un efecto de interacción espacio-temporal que permite modelar las variaciones espacio-temporales de las tasas estimadas de incidencia de COVID-19 a nivel municipal, las cuales son presentadas en una serie de mapas.
Descargas
Citas
Blangiardo, M.; Cameletti, M. (2015) Spatial and Spatio-Temporal Bayesian Models with R-INLA. John Wiley & Sons: Chichester, West Sussex, UK.
Bivand, Roger & Gómez Rubio, Virgilio & Rue, Håvard. (2015). Spatial Data Analysis with R-INLA with Some Extensions. Journal of statistical software. 63.1-31.
Martino, S., Rue, H. (2010). Implementing Approximate Bayesian Inference using Integrated Nested Laplace Approximation: a manual for the inla program. Disponible en http://citeseerx.ist.psu.edu/viewdoc/download;jsessionid=0740AA9C1C62B6CF7A148F17015204B3?doi=10.1.1.142.3845&rep=rep1&type=pdf
Martins, G., Simpson, D., Lindgren, F., Rue, H. (2012). Bayesian computation with INLA: new features. Norwegian University of Science and Technology Report.
Ebrahimipour, M.; Budke, C.M.; Najjari, M.; Cassini, R.; Asmarian, N. (2016). Bayesian spatial analysis of the surgical incidence rate of human cystic echinococcosis in north-eastern Iran. Acta Trop. 163, 80–86
Ramos C. (2020). Covid-19: la nueva enfermedad causada por un coronavirus. Salud Pública de México. 2020;62:225-227. https://doi.org/10.21149/11276
Riebler, A.; Sørbye, S.H.; Simpson, D.; Rue, H. (2016). An intuitive Bayesian spatial model for disease mapping that accounts for scaling. Stat. Methods Med. Res. 25, 1145–1165.
Rue, H.; Martino, S.; Chopin, N. (2009) Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations. J. R. Stat. Soc. Ser. B (Stat. Methodol.), 71, 319–392.
Schrödle, B., Held L. (2011). Spatio-temporal disease mapping using INLA. Environmetrics 22 (6), 725-734.
Sharafifi, Z.; Asmarian, N.; Hoorang, S.; Mousavi, A. (2018). Bayesian spatio-temporal analysis of stomach cancer incidence in Iran, 2003–2010. Stoch. Environ. Res. Risk Assess. 32, 2943–2950.
