Palabras clave
Dengue
Mathematics
Epidemiology
Puerto Rico
Dengue
Matemáticas
Epidemiología
Cómo citar
Resumen
El propósito del presente estudio, ha sido investigar la dinámica de transmisión de dengue en los 76 municipios que componen la isla principal de Puerto Rico, para las semanas 1 a 4 y 32 a 36 del año 2014. Se utilizó un modelo espacial bayesiano para estudiar la relación posible entre incidencia, variables socioeconómicas, climáticas y ambientales. Una vez propuestos los modelos, se comparan los ajustes con índices como el WAIC (Watanabe, 2010), para determinar cual representa mejor a los datos. Además se determina con el índice I-Moran si existe correlación espacial en los residuos, ya que la existencia de la misma es un indicador de que el ajuste no es bueno en alguna medida. Los datos de temperatura y precipitaciones se debieron interpolar previamente, ya que las estaciones que los recolectan no están en los centros poblacionales, para ver los cálculos el lector puede referirse a (Hernández-González, 2017).
Citas
Agresti, Allan. (2013). Categorical Data Analysis (3.a Ed.). New Jersey: John Wiley & Sons.
Besag, Julian, y cols. (1991). Bayesian image restoration, with two applications in spatial statistics. Annals of the Institute of Statistical Mathematics, 43, 120.
Bivand, Roger, y cols. (2013). Computing the Jacobian in Gaussian spatial autoregressive models: An illustrated comparison of available methods. Geographical Analysis, 45, 150-179.
Bivand, Roger, y cols. (2015). Comparing Implementations of Estimation Methods for Spatial Econometrics. Journal of Statistical Software, 63, 1-36.
Bivand, Roger S., y cols. (2013). Applied spatial data analysis with R (2.a Ed.). New York: Springer.
Bureau, U. C. (2011). Datos del Censo 2010 de Puerto Rico [Web]. Descargado de http://www.jp.gobierno.pr/Portal JP/Default.aspx?tabid=120 ([Web; accedido el 02-02-2015])
CDC, Subdivisión de Dengue, y Departamento de Salud, PR. (2014). Informe Semanal de Vigilancia del Dengue [Web]. Descargado de http://www.salud.gov.pr/Estadisticas -Registros-y-Publicaciones/Pages/Dengue.aspx ([Web; accedido el 15-02-2015])
Chien, Lung-Chang., y cols. (2014). Impact of meteorological factors on the spatiotemporal patterns of dengue fever incidence. Environment International, 74, 46-56.
Gabry, J., y Goodrich, B. (2016). rstanarm: Bayesian Applied Regression Modeling via Stan [Manual de software informático]. Descargado de https://CRAN.R-project.org/ package=rstanarm (R package version 2.13.1)
Gelfand, Allan E., y cols. (2004). Hierarchical Modeling and Analysis for Spatial Data (1.a ed.). Boca Raton, Florida: Chapman & Hall/ CRC.
Hernández-González, G. (2017). Modelo Espacial Bayesiano para la Incidencia de dengue en la Isla Principal de Puerto Rico para el año 2014 (Tesis de Máster no publicada). Sistema de Estudios de Posgrado, Universidad de Costa Rica, San Pedro de Montes de Oca, San José, Costa Rica.
Hu, Wenbiao, y cols. (2012). Spatial Patterns and Socioecological Drivers of Dengue Fever Transmission in Queensland, Australia. Environmental Health Perspectives, 120, 260-266.
Jiang, Zhangyan, y cols. (2008). Development of a two-band enhanced vegetation index without a blue band. Remote Sensing of Environment, 112, 3833-3845.
Johansson, Michael A., y cols. (2009). Local and Global Effects of Climate on Dengue Transmission in Puerto Rico .PLoS Negleted Tropical Diseases, 3.
Lee, D. (2013). CARBayes: An R Package for Bayesian Spatial Modeling with Conditional Autoregressive Priors. Journal of Statistical Software, 55, 1-24.
Leroux, Brian G., y cols. (2000). Estimation of disease rates in small areas: A new mixed model for spatial dependence. Institute for Mathematics and Its Applications, 116, 179-191.
Mena, Nelson, y cols. (2011). Factors associated with incidence of dengue in Costa Rica. Revista Panamericana de Salud Publica, 29, 234-242.
Menne., Matthew J., y cols. (2012). An Overview of the Global Historical Climatology Network-Daily Database. Journal of Atmospheric and Oceanic Technology, 29, 897-910.
R Core Team. (2016). R: A Language and Environment for Statistical Computing [Manual de software informático]. Vienna, Austria. Descargado de https://www.R-project.org/.
Spiegelhalter, David J, Best, Nicola G., Carlin, Bradley P., y Van-Der-Linde, Angelika. (2002). Bayesian measures of model complexity and fit. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 64, 583-639.
Tuck, Sean, y cols. (2015). MODISTools: MODIS Sub setting Tools [Manual de software informático]. Descargado de http://cran.r-project.org/package=MODISTools (R package version 0.94.6)
Vehtari, Aki, y cols. (2016). Practical Bayesian model evaluation using leave-one-out cross-validation and WAIC. Statistics and Computing, 1-20.
Watanabe, S. (2010). Asymptotic equivalence of Bayes cross validation and widely applicable information criterion in singular learning theory. Journal of Machine Learning Research, 11, 3571-3594.