Minería de Datos Datawarehousing

Resumen

Se encuentra la problemática de predecir la tasa de contagio (número de nuevos casos diarios) en una región específica a partir de datos históricos y variables relacionadas, como medidas de confinamiento, tasas de vacunación, y movilidad. El objetivo es seleccionar un modelo de predicción que permita anticipar la evolución de los contagios y así apoyar la toma de decisiones en salud pública. Se hace uso del conjunto de datos Datos Abiertos Colombia - COVID-19.

Modelos considerados

• Modelo de Regresión Lineal: debido a su simplicidad y facilidad de interpretación, se puede considerar para identificar relaciones lineales entre las variables.
• Modelo de Series Temporales (ARIMA): específicamente útil para datos secuenciales como la evolución diaria de casos.
• Modelo de Random Forest: un modelo más avanzado que puede manejar relaciones no lineales y múltiples variables explicativas, útil para capturar la complejidad de los datos de COVID-19.
• Redes Neuronales Recurrentes (RNN): potente en la predicción de secuencias y útil para capturar patrones complejos en series temporales.

Se ha seleccionado modelo ARIMA (AutoRegressive Integrated Moving Average).

Justificación

Dado que los datos de COVID-19 tienen una clara secuencia temporal (días consecutivos), y es crucial prever los casos futuros con base en los datos anteriores, ARIMA es una elección natural y adecuada.

• Fortalezas: ARIMA es un modelo robusto y ampliamente utilizado en la predicción de series temporales. Es capaz de capturar patrones históricos y proyectar futuros puntos en la serie temporal con alta precisión.
• Debilidades: requiere que los datos sean estacionarios o se transformen para alcanzar la estacionariedad. Puede no ser ideal para datos con relaciones no lineales complejas.

Relevancia del modelo

El modelo ARIMA proporciona una herramienta crítica para anticipar la evolución de pandemias, permitiendo una respuesta proactiva en la gestión de recursos sanitarios y políticas públicas.

ARIMA es especialmente relevante para analizar y predecir la propagación de enfermedades, como ha sido demostrado en estudios anteriores durante brotes epidémicos. Su capacidad para prever la evolución de los casos en el tiempo es crucial para la planificación de recursos sanitarios y la implementación de medidas de control.

Apreciaciones finales

La selección del modelo ARIMA para la predicción de la tasa de contagio de COVID-19 se basa en su capacidad para manejar series temporales con precisión. Aunque requiere datos estacionarios y puede tener limitaciones frente a relaciones no lineales, su relevancia en la previsión de brotes epidémicos lo convierte en una herramienta valiosa para apoyar decisiones en salud pública. La planificación adecuada del análisis y la evaluación rigurosa del modelo garantizarán la utilidad de las predicciones obtenidas.