Estimación de casos de COVID-19 en países de Suramérica empleando modelos ARIMA (Autorregresivo Integrado de Promedio Móvil)
Palabras clave:
Covid-19; pandemia; predicción; modelos ARIMAResumen
El objetivo principal de este trabajo es emplear modelos ARIMA para la estimación de nuevos contagios usando datos públicos disponibles para Venezuela y la región suramericana, actualmente foco principal de un segundo brote de la COVID-19. Se realiza la predicción a 30 días del número de casos de Covid-19 en países suramericanos usando los datos públicos disponibles. Se emplearon modelos ARIMA para estimar el impacto de nuevos contagios en las dinámicas de infección para Suramérica. Desde la aparición del primer caso de la nueva neumonía Covid-19 en China, esta enfermedad se ha convertido en un problema de salud pública global y representa un gran reto el control de la infección para los países de Suramérica. Al 24 de junio de 2020 un total de 1.866.090 casos han sido detectados en la región y en el caso particular de Venezuela un total de 4.365 casos. El rápido incremento en el número de casos y la alta tasa de contagios asociado con el virus han llevado al desarrollo de distintas aproximaciones matemáticas, tales como: modelos SIR, SEIR, redes neuronales y regresiones lineales que permitan predecir la probable evolución de la epidemia. Los modelos ARIMA han sido empleados con éxito en otras infecciones como influenza, malaria, SARS, entre otras. Los resultados de las estimaciones realizadas empleando estos modelos muestran que aún en la región hacen falta mayores esfuerzos que conlleven al control de la epidemia.
Descargas
Citas
Al-Najjar, H., & Al-Rousan, N. (2020). A classifier prediction model to predict the status of Coronavirus COVID-19 patients in South Korea. European Review for Medical and Pharmacological Sciences, 24(6), 3400–3403. Recuperado en: https://doi.org/10.26355/eurrev_202003_20709
Anastassopoulou, C., Russo, L., Tsakris, A., & Siettos, C. (2020). Data-based analysis, modelling and forecasting of the COVID-19 outbreak. PLoS ONE, 15(3), 1–21. Recuperado en : https://doi.org/10.1371/journal.pone.0230405
Asteriou, D., & Stephen G., H. (2011). Applied Econometrics. Palgrave Macmillan (Second Edi). Hampshire: Palgrave Macmillan.
Bekiros, S., Kouloumpou, D., & Ceylan, Z. (2020). Estimation of COVID-19 prevalence in Italy, Spain, and France. Chaos, Solitons and Fractals, 729, 138817. Recuperado en: https://doi.org/10.1016/j.chaos.2020.109828
Box, G. E. P., Jenkins, G. M., & Reinsel, G. C. (2013). Time series analysis: Forecasting and control: Fourth edition. Wiley Series in Probability and Statistics (Vol. 37). Wiley. Recuperado en : https://doi.org/10.1002/9781118619193
CHOI, K., & THACKER, S. B. (1981). An Evaluation of Influenza Mortality Surveillance, 1962–1979. American Journal of Epidemiology, 113(3), 215–226. Recuperado en: https://doi.org/10.1093/oxfordjournals.aje.a113090
Du, R. H., Liang, L. R., Yang, C. Q., Wang, W., Cao, T. Z., Li, M.,Shi, H. Z. (2020). Predictors of mortality for patients with COVID-19 pneumonia caused by SARSCoV- 2: A prospective cohort study. European Respiratory Journal, 55(5), 2000524. Recuperado en: https://doi.org/10.1183/13993003.00524-2020
Ghosal, S., Sengupta, S., Majumder, M., & Sinha, B. (2020). Prediction of the number of deaths in India due to SARS-CoV-2 at 5–6 weeks. Diabetes and Metabolic Syndrome: Clinical Research and Reviews, 14(4), 311–315. Recuperado en: https://doi.org/10.1016/j.dsx.2020.03.017
Giordano, G., Blanchini, F., Bruno, R., Colaneri, P., Di Filippo, A., Di Matteo, A., & Colaneri, M. (2020). Modelling the COVID-19 epidemic and implementation of population-wide interventions in Italy. Nature Medicine, 26(June). Recuperado en: https://doi.org/10.1038/s41591-020-0883-7
Guidotti, E., & Ardia, D. (2020). COVID-19 Data Hub. Recuperado en: https://doi.org/10.13140/RG.2.2.11649.81763
Hyndman, R., & Khandakar, Y. (2008). Automatic Time Series Forecasting: The forecast Package for R. Journal of Statistical Software, Articles, 27(3), 1–22. Recuperado en: https://doi.org/10.18637/jss.v027.i03
Khan, A. I., Shah, J. L., & Bhat, M. M. (2020). CoroNet: A deep neural network for detection and diagnosis of COVID-19 from chest x-ray images. Computer Methods and Programs in Biomedicine, 196, 105581.Recuperado en: https://doi.org/10.1016/j.cmpb.2020.105581
Lauer, S. A., Grantz, K. H., Bi, Q., Jones, F. K., Zheng, Q., Meredith, H. R., … Lessler, J. (2020). The Incubation Period of Coronavirus Disease 2019 (COVID-19) From Publicly Reported Confirmed Cases: Estimation and Application. Annals of Internal Medicine, 172(9), 577–582. Recuperado en: https://doi.org/10.7326/M20-0504
R Core Team. (2020). R: A Language and Environment for Statistical Computing. Vienna, Austria. Recuperado en: https://www.r-project.org/
RStudio Team. (2020). RStudio: Integrated Development Environment for R. Boston, MA. Recuperado en: http://www.rstudio.com/
Said, S. E., & Dickey, D. A. (1984). Testing for Unit Roots in Autoregressive-Moving Average Models of Unknown Order. Biometrika, 71(3), 599–607. Recuperado en: https://doi.org/10.2307/2336570
Trapletti, A., & Hornik, K. (2019). tseries: Time Series Analysis and Computational Finance. Recuperado en: https://cran.r-project.org/package=tseries
Wang, C., Horby, P. W., Hayden, F. G., & Gao, G. F. (2020). A novel coronavirus outbreak of global health concern. The Lancet. Recuperado en: https://doi.org/10.1016/S0140-6736(20)30185-9
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-SinDerivadas 4.0.
