Análisis de series de tiempo de casos de dengue en la región de la Huasteca

Roberto Ávila Pozos; Aurora Pontón Gallardo Rodríguez

doi:10.29057/icbi.v13iEspecial.13860

Autores/as

Roberto Ávila Pozos Área Académica de Matemáticas y Física l Universidad Autónoma del Estado de Hidalgo l México. https://orcid.org/0000-0002-8044-8766
Aurora Pontón Gallardo Rodríguez Área Académica de Matemáticas y Física l Universidad Autónoma del Estado de Hidalgo l México. https://orcid.org/0009-0006-4932-3750

DOI:

https://doi.org/10.29057/icbi.v13iEspecial.13860

Palabras clave:

Series de tiempo, pronósticos, dengue, modelos estadísticos

Resumen

En este trabajo se presenta un análisis de las series de tiempo de los casos registrados de dengue en tres estados de la República Mexicana en donde se encuentra la región conocida como la Huasteca. Se comparan los modelos que se obtienen empleado los datos anuales, mensuales y semanales de estos tres estados. Al final, se presentan pronósticos que se obtienen empleando estos modelos.
Se obtiene un modelo vectorial autoregresivo, que da cuenta de la relaci´on entre los datos de estos tres estados que comparten características ambientales y sociodemográficas en la región de la Huasteca.

Descargas

Los datos de descargas todavía no están disponibles.

Información de Publicación

Este artículo

Otros artículos

Revisores por pares

Revisores: 2

2.4 promedio

Perfiles de revisores N/D

Declaraciones del autor

Disponibilidad de datos

N/A

16%

Financiamiento externo

No

32% con financiadores

Intereses conflictivos

N/D

11%

Para esta revista

Otras revistas

Artículos aceptados

86%

33%

Días hasta la publicación

210

145

Indexado en

GS

Editor y comité editorial: perfiles
Sociedad académica: N/D
Editora:: Universidad Autónoma del Estado de Hidalgo

Citas

Allard, R. (1998). Use of time-series analysis in infectious disease surveillance. Bulletin of the World Health Organization, 76(4):327.

Cortes, F., Martelli, C. M. T., de Alencar Ximenes, R. A., Montarroyos, U. R., Junior, J. B. S., Cruz, O. G., Alexander, N., and de Souza, W. V. (2018). Time series analysis of dengue surveillance data in two brazilian cities. Acta tropica, 182:190–197.

Cryer, J. and Chan, K.-S. (2008). Time Series Analysis with Applications in R. Springer, New York.

Danis-Lozano, R., Díaz-González, E. E., Malo-García, I. R., Rodríguez, M. H., Ramos-Castañeda, J., Juárez-Palma, L., Ramos, C., López-Ordóñez, T., Mosso-González, C., and Fernández-Salas, I. (2019). Vertical transmission of dengue virus in aedes aegypti and its role in the epidemiological persistence of dengue in central and southern Mexico. Tropical Medicine & International Health, 24:1311–1319.

Hamilton, J. D. (2020). Time series analysis. Princeton University Press.

Hyndman, R. (2014). Better acf and pacf plots, but no optimal linear prediction. Electronic Journal of Statistics [E], 8(2):2296–2300.

Hyndman, R. (2018). Forecasting: principles and practice. OTexts.

Hyndman, R. J. and Khandakar, Y. (2008). Automatic time series forecasting: the forecast package for R. Journal of statistical software, 27:1–22.

Kumar, N. and Susan, S. (2020). Covid-19 pandemic prediction using time series forecasting models. In 2020 11th international conference on computing, communication and networking technologies (ICCCNT), pages 1–7. IEEE.

Lütkepohl, H. (2005). New introduction to multiple time series analysis. Springer Science & Business Media.

Naher, S., Rabbi, F., Hossain, M., Banik, R., Pervez, S., and Boitchi, A. (2022). Forecasting the incidence of dengue in bangladesh—application of time series model. Health Science Reports, 5:e666.

Narro, J. and Gomez, H. (1995). El dengue en México: un problema prioritario de salud pública. Salud Pública de México, 37(Su1):12–20.

Othman, M., Indawati, R., Suleiman, A. A., Qomaruddin, M. B., and Sokkalingam, R. (2022). Model forecasting development for dengue fever incidence in surabaya city using time series analysis. Processes, 10(11).

Pfaff, B. (2008). Var, svar and svec models: Implementation within R package vars. Journal of statistical software, 27:1–32.

Polwiang, S. (2020). The time series seasonal patterns of dengue fever and associated weather variables in Bangkok (2003-2017). BMC Infectious Diseases, 20.

Reintjes, R., Das, E., Klemm, C., Richardus, J. H., Keßler, V., and Ahmad, A. (2016). “pandemic public health paradox”: time series analysis of the 2009/10 influenza a/h1n1 epidemiology, media attention, risk perception and public reactions in 5 european countries. PloS one, 11(3):e0151258.

Sánchez-Hernández, D., Aguirre-Salado, C. A., Sánchez-Díaz, G., Aguirre-Salado, A. I., Soubervielle-Montalvo, C., Reyes-Cárdenas, O., Reyes-Hernández, H., and Santana-Juárez, M. V. (2021). Modeling spatial pattern of dengue in north central mexico using survey data and logistic regression. International Journal of Environmental Health Research, 31(7):872–888.

Shmueli, G. and Polak, J. (2024). Practical time series forecasting with R: A hands-on guide. Axelrod schnall publishers.

Shumway, R. H. and Stoffer, D. S. (2006). Time series analysis and its applications: withRr examples.