× ¿Necesitas ayuda para aprender R? Inscríbete en el Curso de introducción a R de Applied Epi, prueba nuestros Tutoriales gratuitos de R, escribe en nuestro Foro de preguntas y respuestas, o pregunta por nuestra Asistencia técnica para R.
Skip to main content

EpiRhandbook en español

23 Series temporales y detección de brotes

23.1 Resumen

Esta página muestra el uso de varios paquetes para el análisis de series temporales. Principalmente se basa en paquetes de la familia tidyverts, pero también utilizará el paquete de RECON trending para ajustar modelos más apropiados para la epidemiología de enfermedades infecciosas.

Ten en cuenta que en el siguiente ejemplo utilizamos unos datos del paquete surveillance sobre Campylobacter en Alemania (véase el capítulo Descargando el manual y los datoss del manual para más detalles). Sin embargo, si deseas ejecutar el mismo código en unos datos con múltiples países u otros estratos, hay una plantilla de código de ejemplo para esto en el repo de github de r4epis.

Los temas que se tratan son:

  1. Datos de series temporales
  2. Análisis descriptivo
  3. Ajuste de regresiones
  4. Relación de dos series temporales
  5. Detección de brotes
  6. Series temporales interrumpidas

23.2 Preparación

Paquetes

Este trozo de código muestra la carga de los paquetes necesarios para los análisis. En este manual destacamos p_load() de pacman, que instala el paquete si es necesario y lo carga para su uso. También se pueden cargar paquetes con library() de R base. Consulta la página sobre fundamentos de R para obtener más información sobre los paquetes de R.

pacman::p_load(rio,          # Importación de fichero
               here,         # Localizador de archivos
               tidyverse,    # gestión de datos + gráficos ggplot2
               tsibble,      # manejar conjuntos de datos de series temporales 
               slider,       # para calcular medias móviles
               imputeTS,     # para rellenar valores perdidos
               feasts,       # para descomposición de series temporales y autocorrelación
               forecast,     # ajustar los términos sin y cosin a los datos (nota: debe cargarse después de feasts)
               trending,     # ajustar y evaluar modelos 
               tmaptools,    # para obtener geocoordenadas (lon/lat) basadas en nombres de lugares
               ecmwfr,       # para interactuar con copernicus sateliate CDS API
               stars,        # para leer archivos .nc (datos climáticos)
               units,        # para definir unidades de medida (datos climáticos)
               yardstick,    # para ver la precisión del modelo
               surveillance  # para detectar aberraciones
               )

Cargar datos

Puedes descargar todos los datos utilizados en este manual mediante las instrucciones de la página de descargando el manual y los datos.

Los datos de ejemplo utilizado en esta sección son los recuentos semanales de casos de campylobacter notificados en Alemania entre 2001 y 2011. Puedes clicar aquí para descargar este archivo de datos (.xlsx).

Este conjunto de datos es una versión reducida de los datos disponibles en el paquete surveillance. (para más detalles, carga el paquete surveillance y consulta ?campyDE)

Importa estos datos con la función import() del paquete rio (maneja muchos tipos de archivos como .xlsx, .csv, .rds - Mira la página de importación y exportación para más detalles).

# importar los recuentos a R
counts <- rio::import("campylobacter_germany.xlsx")

A continuación se muestran las 10 primeras filas de los recuentos.

Limpiar datos

El código siguiente se asegura de que la columna de la fecha tenga el formato adecuado. Para esta sección utilizaremos el paquete tsibble y la función yearweek se utilizará para crear una variable de semana de calendario. Hay otras maneras de hacer esto (ver la página de Trabajar con fechas para más detalles), sin embargo para las series temporales es mejor mantenerse dentro de un marco (tsibble).

## asegura que la columna de fecha tiene el formato apropiado
counts$date <- as.Date(counts$date)

## crea una variable de semana calendario 
## ajusta las definiciones ISO de las semanas que empiezan en lunes
counts <- counts %>% 
     mutate(epiweek = yearweek(date, week_start = 1))

Descargar datos climáticos

En la sección de relación de dos series temporales, compararemos los recuentos de casos de campylobacter con los datos climáticos.

Los datos climáticos de cualquier parte del mundo pueden descargarse del satélite Copérnico de la UE. No se trata de mediciones exactas, sino que se basan en un modelo (similar a la interpolación), pero la ventaja es la cobertura horaria global, así como las previsiones.

Puedes descargar cada uno de estos archivos de datos climáticos en la página descargando el manual y los datos.

Para propósitos de demostración aquí, mostraremos el código R para usar el paquete ecmwfr para extraer estos datos del almacén de datos climáticos de Copernicus. Es necesario crear una cuenta gratuita para que esto funcione. El sitio web del paquete tiene una guía útil de cómo hacerlo. A continuación se muestra un código de ejemplo de cómo hacer esto, una vez que tienes las claves de la API adecuada. Tienes que sustituir las X de abajo por los ID de tu cuenta. Tendrás que descargar un año de datos a la vez, de lo contrario el servidor se queda sin tiempo.

Si no estás seguro de las coordenadas de un lugar del que quieres descargar datos, puedes utilizar el paquete tmaptools para obtener las coordenadas de OpenStreetMaps. Una opción alternativa es el paquete photon, aunque todavía no se ha publicado en CRAN; lo bueno de photon es que proporciona más datos contextuales para cuando hay varias coincidencias en la búsqueda.

wf_set_key(user = "XXXXX",
           key = "XXXXXXXXX-XXXX-XXXX-XXXX-XXXXXXXXXXX",
           service = "cds") 

## ejecútalo para cada año de interés (de lo contrario, el servidor dejará de funcionar)
for (i in 2002:2011) {
  
  ## descargarlos preparando una consulta 
  ## ver aquí cómo hacerlo: https://bluegreen-labs.github.io/ecmwfr/articles/cds_vignette.html#the-request-syntax
  ## cambia la consulta a una lista usando el botón addin de arriba (python to list)
  ## ¡¡¡El objetivo es el nombre del fichero de salida!!!
  request <- request <- list(
    product_type = "reanalysis",
    format = "netcdf",
    variable = c("2m_temperature", "total_precipitation"),
    year = c(i),
    month = c("01", "02", "03", "04", "05", "06", "07", "08", "09", "10", "11", "12"),
    day = c("01", "02", "03", "04", "05", "06", "07", "08", "09", "10", "11", "12",
            "13", "14", "15", "16", "17", "18", "19", "20", "21", "22", "23", "24",
            "25", "26", "27", "28", "29", "30", "31"),
    time = c("00:00", "01:00", "02:00", "03:00", "04:00", "05:00", "06:00", "07:00",
             "08:00", "09:00", "10:00", "11:00", "12:00", "13:00", "14:00", "15:00",
             "16:00", "17:00", "18:00", "19:00", "20:00", "21:00", "22:00", "23:00"),
    area = request_coords,
    dataset_short_name = "reanalysis-era5-single-levels",
    target = paste0("germany_weather", i, ".nc")
  )
  
  ## descargar el archivo y almacenarlo en el directorio de trabajo actual
  file <- wf_request(user     = "XXXXX",  # ID de usuario (para autenticación)
                     request  = request,  # la petición
                     transfer = TRUE,     # descargar el archivo
                     path     = here::here("data", "Weather")) ## ruta para guardar los datos
  }

Cargar datos climáticos

Tanto si has descargado los datos climáticos a través de nuestro manual, como si has utilizado el código anterior, ahora deberías tener 10 años de archivos de datos climáticos “.nc” almacenados en la misma carpeta de tu ordenador.

Utiliza el siguiente código para importar estos archivos en R con el paquete stars.

## definir ruta a carpeta del tiempo 
file_paths <- list.files(
  here::here("data", "time_series", "weather"), # sustituir por la ruta de archivo propia
  full.names = TRUE)

## mantener sólo los que tienen el nombre actual de interés
file_paths <- file_paths[str_detect(file_paths, "germany")]

## leer todos los ficheros como un objeto stars 
data <- stars::read_stars(file_paths)
## t2m, tp, 
## t2m, tp, 
## t2m, tp, 
## t2m, tp, 
## t2m, tp, 
## t2m, tp, 
## t2m, tp, 
## t2m, tp, 
## t2m, tp, 
## t2m, tp,

Una vez importados estos archivos como datos del objeto, los convertiremos en un dataframe.

## cambiar a un dataframe 
temp_data <- as_tibble(data) %>% 
  ## añadir variables y corregir unidades
  mutate(
    ## crear una variable de calendario de semana actual 
    epiweek = tsibble::yearweek(time), 
    ## crear una variable de fecha (inicio de la semana de calendario)
    date = as.Date(epiweek),
    ## cambiar la temperatura de kelvin a celsius
    t2m = set_units(t2m, celsius), 
    ## cambiar la precipitación de metros a milímetros 
    tp  = set_units(tp, mm)) %>% 
  ## agrupar por semanas (aunque también se mantiene la fecha)
  group_by(epiweek, date) %>% 
  ## obtener la media por semana
  summarise(t2m = as.numeric(mean(t2m)), 
            tp = as.numeric(mean(tp)))
## `summarise()` has grouped output by 'epiweek'. You can override using the `.groups` argument.

23.3 Datos de series temporales

Existen varios paquetes para estructurar y manejar los datos de las series temporales. Como ya hemos dicho, nos centraremos en la familia de paquetes tidyverts y, por tanto, utilizaremos el paquete tsibble para definir nuestro objeto de serie temporal. Tener unos datos definidos como objeto de serie temporal significa que es mucho más fácil estructurar nuestro análisis.

Para ello utilizamos la función tsibble() y especificamos el “índex”, es decir, la variable que especifica la unidad de tiempo de interés. En nuestro caso se trata de la variable epiweek.

Si tuviéramos unos datos con recuentos semanales por provincia, por ejemplo, también podríamos especificar la variable de agrupación utilizando el argumento key =. Esto nos permitiría hacer un análisis para cada grupo.

## definir el objeto de serie temporal
counts <- tsibble(counts, index = epiweek)

Si observamos el tipo class(counts), veremos que, además de ser un dataframe ordenado (“tbl_df”, “tbl”, “data.frame”), tiene las propiedades adicionales de un dataframe de series temporales (“tbl_ts”).

Se puede echar un vistazo rápido a los datos utilizando ggplot2. En el gráfico vemos que hay un claro patrón estacional y que no hay pérdidas. Sin embargo, parece haber un problema con la notificación al principio de cada año; los casos descienden en la última semana del año y luego aumentan en la primera semana del año siguiente.

## trazar un gráfico lineal de casos por semana
ggplot(counts, aes(x = epiweek, y = case)) + 
     geom_line()

PELIGRO: La mayoría de los conjuntos de datos no están tan limpios como este ejemplo. Tendrás que comprobar si hay duplicados y faltas como se indica a continuación.

Duplicados

tsibble no permite observaciones duplicadas. Así que cada fila deberá ser única, o única dentro del grupo (variable key). El paquete tiene algunas funciones que ayudan a identificar los duplicados. Entre ellas se encuentran are_duplicated(), que proporciona un vector TRUE/FALSE para saber si la fila es un duplicado, y duplicates(), que proporciona un dataframe de las filas duplicadas.

Consulta la página sobre De-duplicación para obtener más detalles sobre cómo seleccionar las filas que desees.

## obtener un vector de TRUE/FALSE si las filas están duplicadas
are_duplicated(counts, index = epiweek) 

## obtener un data frame de filas duplicadas 
duplicates(counts, index = epiweek)

Valores faltantes

En nuestra breve inspección anterior hemos visto que no hay faltas, pero también hemos visto que parece haber un problema de retraso en la notificación en torno al año nuevo. Una forma de abordar este problema podría ser establecer estos valores como faltantes y luego imputar los valores. La forma más sencilla de imputación de series temporales consiste en trazar una línea recta entre el último valor no faltante y el siguiente valor no faltante. Para ello, utilizaremos la función na_interpolation() del paquete imputeTS.

Consulta la página de datos faltantes para conocer otras opciones de imputación.

Otra alternativa sería calcular una media móvil para intentar suavizar estos aparentes problemas de información (véase la siguiente sección y la página sobre medias móviles.

## crear una variable con los faltantes en lugar de las semanas con problemas de información
counts <- counts %>% 
     mutate(case_miss = if_else(
          ## si epiweek contiene 52, 53, 1 ó 2
          str_detect(epiweek, "W51|W52|W53|W01|W02"), 
          ## entonces se establece como missing 
          NA_real_, 
          ## de lo contrario, mantiene el valor por si acaso
          case
     ))

## alternativamente interpola los faltantes por tendencia lineal 
## entre dos puntos adyacentes más cercanos
counts <- counts %>% 
  mutate(case_int = imputeTS::na_interpolation(case_miss)
         )

## para comprobar qué valores se han imputado en comparación con el original
ggplot_na_imputations(counts$case_miss, counts$case_int) + 
  ## hacer un gráfico tradicional (con ejes negros y fondo blanco)
  theme_classic()

23.4 Análisis descriptivo

Medias móviles

Si los datos tienen mucho ruido (los recuentos suben y bajan), puede ser útil calcular una media móvil. En el ejemplo siguiente, para cada semana se calcula la media de casos de las cuatro semanas anteriores. Esto suaviza los datos para hacerlos más interpretables. En nuestro caso esto no aporta mucho, así que nos quedaremos con los datos interpolados para el análisis posterior. Véase la página de medias móviles para más detalles.

## crear una variable de media móvil (se ocupa de las pérdidas)
counts <- counts %>% 
     ## crear la variable ma_4w 
     ## desplazar sobre cada fila de la variable de caso
     mutate(ma_4wk = slider::slide_dbl(case, 
                               ## para cada fila calcula el nombre
                               ~ mean(.x, na.rm = TRUE),
                               ## utiliza las cuatro semanas anteriores
                               .before = 4))
                               
## hacer una visualización rápida de la diferencia 
ggplot(counts, aes(x = epiweek)) + 
     geom_line(aes(y = case)) + 
     geom_line(aes(y = ma_4wk), colour = "red")

Periodicidad

A continuación definimos una función personalizada para crear un periodograma. Consulta la página Escribir funciones para obtener información sobre cómo escribir funciones en R.

En primer lugar, se define la función. Sus argumentos incluyen unos datos con las columnas counts, start_week = que es la primera semana de los datos, un número para indicar cuántos períodos por año (por ejemplo, 52, 12) y, por último, el estilo de salida (véanse los detalles en el código siguiente).

## Argumentos de la función
###########################
## x es un conjunto de datos
## counts es una variable con datos de recuento o tasas dentro de x  
## start_week es la primera semana del conjunto de datos
## period es el número de unidades en un año 
## output es si quiere devolver el periodograma espectral o las semanas de pico
  ## "periodogram" o "weeks"

# Define la función
periodogram <- function(x, 
                        counts, 
                        start_week = c(2002, 1), 
                        period = 52, 
                        output = "weeks") {
  

    ## asegurarse de que no es un tsibble, filtrar al proyecto y mantener sólo las columnas de interés
    prepare_data <- dplyr::as_tibble(x)
    
    # prepare_data <- prepare_data[prepare_data[[strata]] == j, ]
    prepare_data <- dplyr::select(prepare_data, {{counts}})
    
    ## crear una serie temporal intermedia "zoo" para poder utilizarla con spec.pgram
    zoo_cases <- zoo::zooreg(prepare_data, 
                             start = start_week, frequency = period)
    
    ## obtener un periodograma espectral sin utilizar la transformada rápida de fourier 
    periodo <- spec.pgram(zoo_cases, fast = FALSE, plot = FALSE)
    
    ## devuelve las semanas de pico
    periodo_weeks <- 1 / periodo$freq[order(-periodo$spec)] * period
    
    if (output == "weeks") {
      periodo_weeks
    } else {
      periodo
    }
    
}

## obtener el periodograma espectral para extraer las semanas con las frecuencias más altas 
## (comprobación de la estacionalidad) 
periodo <- periodogram(counts, 
                       case_int, 
                       start_week = c(2002, 1),
                       output = "periodogram")

## extraer el espectro y la frecuencia en un dataframe para graficarlo
periodo <- data.frame(periodo$freq, periodo$spec)

## trazar un periodograma que muestre la periodicidad más frecuente 
ggplot(data = periodo, 
                aes(x = 1/(periodo.freq/52),  y = log(periodo.spec))) + 
  geom_line() + 
  labs(x = "Period (Weeks)", y = "Log(density)")
## obtener un vector semanas en orden ascendente 
peak_weeks <- periodogram(counts, 
                          case_int, 
                          start_week = c(2002, 1), 
                          output = "weeks")

NOTA: Es posible utilizar las semanas anteriores para añadirlas a los términos del seno y del coseno, sin embargo, utilizaremos una función para generar estos términos (véase la sección de regresión más adelante)

Descomposición

La descomposición clásica se utiliza para desglosar una serie temporal en varias partes, que en conjunto conforman el patrón que se observa. Estas diferentes partes son:

  • La tendencia-ciclo (la dirección a largo plazo de los datos)
  • La estacionalidad (patrones repetitivos)
  • El azar (lo que queda después de quitar la tendencia y la estacionalidad)
## descomponer el conjunto de datos de recuentos 
counts %>% 
  # utilizando un modelo de descomposición clásica aditiva
  model(classical_decomposition(case_int, type = "additive")) %>% 
  ## extraemos la información importante del modelo
  components() %>% 
## genera un gráfico 
  autoplot()

Autocorrelación

La autocorrelación informa de la relación entre los recuentos de cada semana y las semanas anteriores (denominadas retrasos o retardos).

Utilizando la función ACF(), podemos producir un gráfico que nos muestre un número de líneas para la relación en diferentes retrasos. Cuando el retardo es 0 (x = 0), esta línea sería siempre 1, ya que muestra la relación entre una observación y ella misma (no se muestra aquí). La primera línea mostrada aquí (x = 1) muestra la relación entre cada observación y la observación anterior (retardo de 1), la segunda muestra la relación entre cada observación y la observación anterior (retardo de 2) y así sucesivamente hasta el retardo de 52 que muestra la relación entre cada observación y la observación de 1 año (52 semanas antes).

El uso de la función PACF() (para la autocorrelación parcial) muestra el mismo tipo de relación pero ajustada para todas las demás semanas intermedias. Esto es menos informativo para determinar la periodicidad.

## utilizando el conjunto de datos de recuentos
counts %>% 
  ## calcula la autocorrelación utilizando retardos de un año completo
  ACF(case_int, lag_max = 52) %>% 
  ## muestra un gráfico
  autoplot()
## utilizando el conjunto de datos de recuentos
counts %>% 
  ## calcular la autocorrelación parcial utilizando los retardos de un año completo
  PACF(case_int, lag_max = 52) %>% 
  ## muestra un gráfico
  autoplot()

Puedes probar formalmente la hipótesis nula de independencia en una serie temporal (es decir, que no está autocorrelacionada) utilizando la prueba de Ljung-Box (en el paquete stats). Un valor-p significativo sugiere que hay autocorrelación en los datos.

## prueba de independencia 
Box.test(counts$case_int, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  counts$case_int
## X-squared = 462.65, df = 1, p-value < 2.2e-16

23.5 Ajuste de regresiones

Es posible ajustar un gran número de regresiones diferentes a una serie temporal, sin embargo, aquí mostraremos cómo ajustar una regresión binomial negativa, ya que suele ser la más apropiada para los datos de recuento en las enfermedades infecciosas.

Términos de Fourier

Los términos de Fourier son el equivalente a las curvas seno y coseno. La diferencia es que éstos se ajustan basándose en la búsqueda de la combinación de curvas más adecuada para explicar los datos.

Si sólo se ajusta un término de fourier, esto equivaldría a ajustar un seno y un coseno para el desfase más frecuente que se ve en el periodograma (en nuestro caso, 52 semanas). Utilizamos la función fourier() del paquete forecast.

En el código de abajo asignamos usando el $, ya que fourier() devuelve dos columnas (una para seno y otra para el coseno) y así se añaden al conjunto de datos como una lista, llamada “fourier” - pero esta lista se puede usar como una variable normal en la regresión.

## añade los términos de fourier usando las variabless epiweek y case_int
counts$fourier <- select(counts, epiweek, case_int) %>% 
  fourier(K = 1)

Binomial negativa

Es posible ajustar las regresiones utilizando las funciones básicas de stats o MASS (por ejemplo, lm(), glm() y glm.nb()). Sin embargo, utilizaremos las del paquete trending, ya que esto permite calcular intervalos de confianza y predicción adecuados (que de otro modo no están disponibles). La sintaxis es la misma, y se especifica una variable de resultado, luego una tilde (~) y luego se añaden las diversas variables de exposición de interés separadas por un signo más (+).

La otra diferencia es que primero definimos el modelo y luego lo ajustamos a los datos (fit()). Esto es útil porque permite comparar varios modelos diferentes con la misma sintaxis.

SUGERENCIA: Si deseas utilizar tasas, en lugar de recuentos, puedes incluir la variable de población como un término de compensación logarítmica, añadiendo offset(log(population). Entonces tendría que establecerse que la población es 1, antes de usar predict() para producir una tasa.

SUGERENCIA: Para ajustar modelos más complejos, como ARIMA o prophet, consulta el paquete fable

## define el modelo que quieres ajustar (binomial negativo) 
model <- glm_nb_model(
  ## establece el número de casos como resultado de interés
  case_int ~
    ## utiliza epiweek para tener en cuenta la tendencia
    epiweek +
    ## usa los términos de fourier para tener en cuenta la estacionalidad
    fourier)

## ajusta tu modelo utilizando el conjunto de datos de recuentos
fitted_model <- trending::fit(model, data.frame(counts))

## calcula los intervalos de confianza y de predicción  
observed <- predict(fitted_model, simulate_pi = FALSE)

## representar la regresión 
ggplot(data = observed, aes(x = epiweek)) + 
   ## añadir una línea para la estimación del modelo
  geom_line(aes(y = estimate),
            col = "Red") + 
  ## añadir una banda para los intervalos de predicción 
  geom_ribbon(aes(ymin = lower_pi, 
                  ymax = upper_pi), 
              alpha = 0.25) + 
  ## añade una línea para los recuentos de casos observados
  geom_line(aes(y = case_int), 
            col = "black") + 
  ## crea un gráfico tradicional (con ejes negros y fondo blanco)
  theme_classic()

Residuos

Para ver si nuestro modelo se ajusta a los datos observados, tenemos que observar los residuos. Los residuos son la diferencia entre los recuentos observados y los recuentos estimados a partir del modelo. Podríamos calcularlo simplemente utilizando case_int - estimate, pero la función residuals() lo extrae directamente de la regresión por nosotros.

Lo que vemos a continuación es que no estamos explicando toda la variación que podríamos con el modelo. Es posible que debamos ajustar más términos de Fourier y abordar la amplitud. Sin embargo, para este ejemplo lo dejaremos como está. Los gráficos muestran que nuestro modelo es peor en los picos y en los valles (cuando los recuentos son los más altos y los más bajos) y que es más probable que subestime los recuentos observados.

## calcular los residuos 
observed <- observed %>% 
  mutate(resid = residuals(fitted_model$fitted_model, type = "response"))

## ¿son los residuos bastante constantes a lo largo del tiempo (si no es así: brotes? ¿cambio en la práctica?)
observed %>%
  ggplot(aes(x = epiweek, y = resid)) +
  geom_line() +
  geom_point() + 
  labs(x = "epiweek", y = "Residuals")
## ¿hay autocorrelación en los residuos (hay un patrón en el error?)  
observed %>% 
  as_tsibble(index = epiweek) %>% 
  ACF(resid, lag_max = 52) %>% 
  autoplot()
## ¿se distribuyen normalmente los residuos (se subestiman o sobreestiman?)  
observed %>%
  ggplot(aes(x = resid)) +
  geom_histogram(binwidth = 100) +
  geom_rug() +
  labs(y = "count") 
## comparar los recuentos observados con sus residuos 
  ## tampoco debería haber un patrón 
observed %>%
  ggplot(aes(x = estimate, y = resid)) +
  geom_point() +
  labs(x = "Fitted", y = "Residuals")
## probar formalmente la autocorrelación de los residuos
## H0 es que los residuos proceden de una serie de ruido blanco (es decir, aleatoria)
## prueba de independencia 
## si el valor p es significativo entonces no es aleatorio
Box.test(observed$resid, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  observed$resid
## X-squared = 346.64, df = 1, p-value < 2.2e-16

23.6 Relación de dos series temporales

En este caso, analizamos el uso de los datos meteorológicos (concretamente la temperatura) para explicar los recuentos de casos de campylobacter.

Fusión de conjuntos de datos

Podemos unir nuestros conjuntos de datos utilizando la variable semana (epiweek). Para obtener más información sobre la fusión, consulta la página del manual sobre unir datos

## left join para que sólo tengamos las filas ya existentes en counts
## elimina la variable fecha de temp_data (de lo contrario estará duplicada)
counts <- left_join(counts, 
                    select(temp_data, -date),
                    by = "epiweek")

Análisis descriptivo

En primer lugar, traza los datos para ver si hay alguna relación evidente. El siguiente gráfico muestra que hay una clara relación en la estacionalidad de las dos variables, y que la temperatura puede alcanzar su punto máximo unas semanas antes que el número de casos. Para más información sobre pivotar datos, consulta la sección del manual sobre pivotar datos.

counts %>% 
  ## conservar las variables que nos interesan 
  select(epiweek, case_int, t2m) %>% 
  ## cambiar los datos a formato largo
  pivot_longer(
    ## utiliza epiweek como la clave
    !epiweek,
    ## mover los nombres de las columnas a la nueva columna "measure"
    names_to = "measure", 
    ## mover los valores de cell a la nueva columna " values"
    values_to = "value") %>% 
  ## crear un gráfico con el conjunto de datos anterior
  ## dibujar epiweek en el eje-x y valores (recuentos/celsius) en el eje-y 
  ggplot(aes(x = epiweek, y = value)) + 
    ## crea un gráfico separado para los recuentos de temperaturas y casos  
    ## dejar que establezcan sus propios ejes-y
    facet_grid(measure ~ ., scales = "free_y") +
    ## dibuja ambos como una línea
    geom_line()

Retrasos y correlación cruzada

Para comprobar formalmente qué semanas están más relacionadas entre los casos y la temperatura. Podemos utilizar la función de correlación cruzada (CCF()) del paquete de feats. También se podría visualizar (en lugar de utilizar arrange) utilizando la función autoplot().

counts %>% 
  ## calcular la correlación cruzada entre los recuentos interpolados y la temperatura
  CCF(case_int, t2m,
      ## fija el desfase máximo en 52 semanas
      lag_max = 52, 
      ## devuelve el coeficiente de correlación 
      type = "correlation") %>% 
  ## ordena el coeficiente de correlación en orden descendente
  ## muestra los retardos más asociados
  arrange(-ccf) %>% 
  ## muestra sólo los diez primeros 
  slice_head(n = 10)
## # A tsibble: 10 x 2 [1W]
##         lag   ccf
##    <cf_lag> <dbl>
##  1      -4W 0.749
##  2      -5W 0.745
##  3      -3W 0.735
##  4      -6W 0.729
##  5      -2W 0.727
##  6      -7W 0.704
##  7      -1W 0.695
##  8      -8W 0.671
##  9       0W 0.649
## 10      47W 0.638

Vemos que un desfase de 4 semanas es el más correlacionado, por lo que creamos una variable de temperatura retardada para incluirla en nuestra regresión.

PELIGRO: Ten en cuenta que las primeras cuatro semanas de nuestros datos en la variable de temperatura retardada faltan (NA) - ya que no hay cuatro semanas anteriores para obtener datos. Para utilizar este conjunto de datos con la función predict() de trending, necesitamos utilizar el argumento simulate_pi = FALSE dentro de predict() más abajo. Si quisiéramos utilizar la opción de simulación, entonces tenemos que eliminar estas pérdidas y almacenarlas como un nuevo conjunto de datos añadiendo drop_na(t2m_lag4) al fragmento de código que aparece a continuación.

counts <- counts %>% 
  ## crea una nueva variable para la temperatura retardada cada cuatro semanas
  mutate(t2m_lag4 = lag(t2m, n = 4))

Binomial negativa con dos variables

Ajustamos una regresión binomial negativa como se hizo anteriormente. Esta vez añadimos la variable de temperatura con un retraso de cuatro semanas.

PRECAUCIóN: Observa el uso de simulate_pi = FALSE dentro del argumento predict(). Esto se debe a que el comportamiento por defecto de trending es utilizar el paquete ciTools para estimar un intervalo de predicción. Esto no funciona si hay recuentos NA, y también produce intervalos más granulares. Véase ?trending::predict.trending_model_fit para más detalles. 

## define el modelo que se quiere ajustar (binomial negativo) 
model <- glm_nb_model(
  ## establecer el número de casos como resultado de interés
  case_int ~
    ## utiliza epiweek para tener en cuenta la tendencia
    epiweek +
    ## usar los términos de fourier para tener en cuenta la estacionalidad
    fourier + 
    ### usa el retraso de cuatro semanas de la temperatura
    t2m_lag4
    )

## ajusta el modelo usando el conjunto de datos de recuentos
fitted_model <- trending::fit(model, data.frame(counts))

## calcula los intervalos de confianza y de predicción 
observed <- predict(fitted_model, simulate_pi = FALSE)

Para investigar los términos individuales, podemos sacar la regresión binomial negativa original del formato de trending utilizando get_model() y pasarla a la función tidy() del paquete broom para recuperar las estimaciones exponenciadas y los intervalos de confianza asociados.

Lo que esto nos muestra es que la temperatura retardada, tras controlar la tendencia y la estacionalidad, es similar a los recuentos de casos (estimación ~ 1) y está significativamente asociada. Esto sugiere que podría ser una buena variable para predecir el número de casos futuros (ya que las previsiones climáticas están disponibles).

fitted_model %>% 
  ## extrae la regresión binomial negativa original
  get_model() %>% 
  ## obtiene un dataframe ordenado de los resultados
  tidy(exponentiate = TRUE, 
       conf.int = TRUE)
## # A tibble: 5 × 7
##   term         estimate  std.error statistic  p.value conf.low conf.high
##   <chr>           <dbl>      <dbl>     <dbl>    <dbl>    <dbl>     <dbl>
## 1 (Intercept)   339.    0.108          53.8  0         274.      419.   
## 2 epiweek         1.00  0.00000774     10.9  8.13e-28    1.00      1.00 
## 3 fourierS1-52    0.752 0.0214        -13.3  1.84e-40    0.721     0.784
## 4 fourierC1-52    0.823 0.0200         -9.78 1.35e-22    0.791     0.855
## 5 t2m_lag4        1.01  0.00269         2.48 1.30e- 2    1.00      1.01

Una rápida inspección visual del modelo muestra que se podría hacer un mejor trabajo de estimación de los recuentos de casos observados.

## traza la regresión 
ggplot(data = observed, aes(x = epiweek)) + 
  ## añade una línea para la estimación del modelo
  geom_line(aes(y = estimate),
            col = "Red") + 
  ## añade una banda para los intervalos de predicción 
  geom_ribbon(aes(ymin = lower_pi, 
                  ymax = upper_pi), 
              alpha = 0.25) + 
  ## añade una línea para los recuentos de casos observados
  geom_line(aes(y = case_int), 
            col = "black") + 
  ## crea un gráfico tradicional (con ejes negros y fondo blanco)
  theme_classic()

Residuos

Volvemos a investigar los residuos para ver si nuestro modelo se ajusta a los datos observados. Los resultados y la interpretación aquí son similares a los de la regresión anterior, por lo que puede ser más factible quedarse con el modelo más simple sin temperatura.

## calcular los residuos 
observed <- observed %>% 
  mutate(resid = case_int - estimate)

## ¿son los residuos bastante constantes a lo largo del tiempo (si no es así: brotes? ¿cambio en la práctica?)
observed %>%
  ggplot(aes(x = epiweek, y = resid)) +
  geom_line() +
  geom_point() + 
  labs(x = "epiweek", y = "Residuals")
## Warning: Removed 4 rows containing missing values (`geom_line()`).
## Warning: Removed 4 rows containing missing values (`geom_point()`).
## ¿hay autocorrelación en los residuos (hay un patrón en el error?)  
observed %>% 
  as_tsibble(index = epiweek) %>% 
  ACF(resid, lag_max = 52) %>% 
  autoplot()
## ¿se distribuyen normalmente los residuos (se subestiman o sobreestiman?)  
observed %>%
  ggplot(aes(x = resid)) +
  geom_histogram(binwidth = 100) +
  geom_rug() +
  labs(y = "count") 
## Warning: Removed 4 rows containing non-finite values (`stat_bin()`).
## compara los recuentos observados con sus residuales
  ## tampoco debería haber un patrón
observed %>%
  ggplot(aes(x = estimate, y = resid)) +
  geom_point() +
  labs(x = "Fitted", y = "Residuals")
## Warning: Removed 4 rows containing missing values (`geom_point()`).
## probar formalmente la autocorrelación de los residuos
## H0 es que los residuos proceden de una serie de ruido blanco (es decir, aleatoria)
## prueba de independencia 
## si el valor p es significativo entonces no es aleatorio
Box.test(observed$resid, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  observed$resid
## X-squared = 339.52, df = 1, p-value < 2.2e-16

23.7 Detección de brotes

Aquí mostraremos dos métodos (similares) de detección de brotes. El primero se basa en las secciones anteriores. Utilizamos el paquete trending para ajustar las regresiones a los años anteriores, y luego predecir lo que esperamos ver en el año siguiente. Si los recuentos observados están por encima de lo que esperamos, esto podría sugerir que hay un brote. El segundo método se basa en principios similares, pero utiliza el paquete surveillance, que tiene varios algoritmos diferentes para la detección de aberraciones.

ATENCIÓN: Normalmente, estás interesado en el año actual (donde sólo se conocen los recuentos hasta la semana actual). Así que en este ejemplo pretendemos estar en la semana 39 de 2011.

paquete surveillance

En esta sección utilizamos el paquete surveillance para crear umbrales de alerta basados en algoritmos de detección de brotes. Hay varios métodos diferentes disponibles en el paquete, aunque aquí nos centraremos en dos opciones. Para más detalles, consulta estos documentos sobre la aplicación y la teoría de los algoritmos utilizados.

La primera opción utiliza el método Farrington mejorado. Este método ajusta un glm binomial negativo (incluyendo la tendencia) y pondera a la baja los brotes pasados (valores atípicos) para crear un nivel de umbral.

La segunda opción utiliza el método glrnb. Esto también se ajusta a un glm binomial negativo, pero incluye la tendencia y los términos de fourier (por lo que se favorece aquí). La regresión se utiliza para calcular la “media de control” (~valores ajustados), y a continuación se utiliza un estadístico de relación de verosimilitud generalizada para evaluar si hay un cambio en la media de cada semana. Ten en cuenta que el umbral de cada semana tiene en cuenta las semanas anteriores, por lo que si hay un cambio sostenido se activará una alarma. (También hay que tener en cuenta que después de cada alarma el algoritmo se reinicia)

Para trabajar con el paquete surveillance, primero tenemos que definir un objeto “surveillance time series” (utilizando la función sts()) para que encaje en el marco de trabajo.

## define el objeto series temporales de vigilancia
## nota. se puede incluir un denominador con el objeto población (ver ?sts)
counts_sts <- sts(observed = counts$case_int[!is.na(counts$case_int)],
                  start = c(
                    ## subconjunto para mantener sólo el año desde start_date 
                    as.numeric(str_sub(start_date, 1, 4)), 
                    ## subconjunto para mantener sólo la semana a partir de start_date
                    as.numeric(str_sub(start_date, 7, 8))), 
                  ## define el tipo de datos (en este caso semanales)
                  freq = 52)

## define el rango de semanas que se quiere incluir (es decir, el periodo de predicción)
## nota: el objeto sts sólo cuenta las observaciones sin asignarles un identificador de semana o año. 
## identificador de año - utilizaremos nuestros datos para definir las observaciones adecuadas
weekrange <- cut_off - start_date

Método Farrington

A continuación, definimos cada uno de nuestros parámetros para el método Farrington en una list. A continuación, ejecutamos el algoritmo utilizando farringtonFlexible() y luego podemos extraer el umbral de una alerta utilizando farringtonmethod@upperbound para incluirlo en nuestro conjunto de datos. También es posible extraer un TRUE/FALSE para cada semana si se activó una alerta (estaba por encima del umbral) utilizando farringtonmethod@alarm.

## define control
ctrl <- list(
  ## define para qué periodo de tiempo se quiere el umbral (por ejemplo, 2011)
  range = which(counts_sts@epoch > weekrange),
  b = 9, ## cuántos años hacia atrás para la línea base
  w = 2, ## tamaño de la ventana móvil en semanas
  weightsThreshold = 2.58, ## reponderar brotes pasados (método noufaily mejorado - original sugiere 1)
  ## pastWeeksNotIncluded = 3, ## utiliza todas las semanas disponibles (noufaily sugiere dejar 26)
  trend = TRUE,
  pThresholdTrend = 1, ## 0.05 normalmente, sin embargo se aconseja 1 en el método mejorado (es decir, mantener siempre)
  thresholdMethod = "nbPlugin",
  populationOffset = TRUE
  )

## aplicar el método farrington flexible
farringtonmethod <- farringtonFlexible(counts_sts, ctrl)

## crea una nueva variable en el conjunto de datos original llamada umbral
## que contiene el límite superior de farrington 
## nota: esto es solo para las semanas de 2011 (por lo que hay que hacer un subconjunto de filas)
counts[which(counts$epiweek >= cut_off & 
               !is.na(counts$case_int)),
              "threshold"] <- farringtonmethod@upperbound

A continuación, podemos visualizar los resultados en ggplot como se hizo anteriormente.

ggplot(counts, aes(x = epiweek)) + 
  ## añade los recuentos de casos observados como una línea
  geom_line(aes(y = case_int, colour = "Observed")) + 
  ## añade el límite superior del algoritmo de aberración
  geom_line(aes(y = threshold, colour = "Alert threshold"), 
            linetype = "dashed", 
            size = 1.5) +
  ## define los colores
  scale_colour_manual(values = c("Observed" = "black", 
                                 "Alert threshold" = "red")) + 
  ## realiza un gráfico tradicional (con ejes negros y fondo blanco)
  theme_classic() + 
  ## elimina el título de la leyenda 
  theme(legend.title = element_blank())

Método GLRNB

Del mismo modo, para el método GLRNB definimos cada uno de nuestros parámetros en una list, luego ajustamos el algoritmo y extraemos los límites superiores.

ATENCIÓN: Este método utiliza la “fuerza bruta” (similar al bootstrapping) para calcular los umbrales, por lo que puede llevar mucho tiempo.

Consulta la viñeta GLRNB para más detalles.

## define las opciones de control
ctrl <- list(
  ## define para qué periodo de tiempo se quiere el umbral (por ejemplo, 2011)
  range = which(counts_sts@epoch > weekrange),
  mu0 = list(S = 1,    ## número de términos de fourier (armónicos) a incluir
  trend = TRUE,   ## si incluye la tendencia o no
  refit = FALSE), ## si se reajusta el modelo después de cada alarma
  ## cARL = umbral para el estadístico GLR (arbitrario)
     ## 3 ~ término medio para minimizar los falsos positivos
     ## 1 se ajusta al 99%PI de glm.nb - con cambios después de los picos (umbral reducido para la alerta)
   c.ARL = 2,
   # theta = log(1.5), ## equivale a un aumento del 50% de casos en un brote
   ret = "cases"     ## devuelve el límite superior del umbral como recuento de casos
  )

## aplica el método glrnb
glrnbmethod <- glrnb(counts_sts, control = ctrl, verbose = FALSE)

## crea una nueva variable en el conjunto de datos original llamada umbral
## que contiene el límite superior de glrnb 
## nota: esto es solo para las semanas de 2011 (por lo que hay que hacer un subconjunto de filas)
counts[which(counts$epiweek >= cut_off & 
               !is.na(counts$case_int)),
              "threshold_glrnb"] <- glrnbmethod@upperbound

Visualiza los resultados como antes.

ggplot(counts, aes(x = epiweek)) + 
  ## añade los recuentos de casos observados como una línea
  geom_line(aes(y = case_int, colour = "Observed")) + 
  ## añade el límite superior del algoritmo de aberración
  geom_line(aes(y = threshold_glrnb, colour = "Alert threshold"), 
            linetype = "dashed", 
            size = 1.5) +
  ## define los colores
  scale_colour_manual(values = c("Observed" = "black", 
                                 "Alert threshold" = "red")) + 
  ## realiza un gráfico tradicional (con ejes negros y fondo blanco)
  theme_classic() + 
  ## elimina el título de la leyenda  
  theme(legend.title = element_blank())

23.8 Series temporales interrumpidas

Las series temporales interrumpidas (también llamadas análisis de regresión segmentada o de intervención), se utilizan a menudo para evaluar el impacto de las vacunas en la incidencia de la enfermedad. Pero puede utilizarse para evaluar el impacto de una amplia gama de intervenciones o introducciones. Por ejemplo, cambios en los procedimientos hospitalarios o la introducción de una nueva cepa de enfermedad en una población.

En este ejemplo, supondremos que se introdujo una nueva cepa de Campylobacter en Alemania a finales de 2008, y veremos si eso afecta al número de casos. Volveremos a utilizar la regresión binomial negativa. Esta vez, la regresión se dividirá en dos partes, una antes de la intervención (o introducción de la nueva cepa en este caso) y otra después (los períodos anterior y posterior). Esto nos permite calcular una tasa de incidencia comparando los dos periodos de tiempo. Explicar la ecuación podría aclararlo (si no es así, ignórala).

La regresión binomial negativa puede definirse como sigue:

\[\log(Y_t)= β_0 + β_1 \times t+ β_2 \times δ(t-t_0) + β_3\times(t-t_0 )^+ + log(pop_t) + e_t\]

Donde: \((Y_t\)) es el número de casos observados en el momento \((t\)) \((pop_t\)) es el tamaño de la población en 100.000s en el momento \((t\)) (no se utiliza aquí) \((t_0\)) es el último año del preperíodo (incluyendo el tiempo de transición si lo hay) \((δ(x\)) es la función indicadora (es 0 si x≤0 y 1 si x$>0) \(((x)\)^+\() es el operador de corte (es x si x\)>0 y 0 en caso contrario) \((e_t\)) denota el residuo

Se pueden añadir los términos adicionales tendencia y estación según sea necesario.

\(β_2 \times δ(t-t_0) + β_3\times(t-t_0 )^+\) es la parte lineal generalizada del periodo posterior y es cero en el periodo anterior. Esto significa que las estimaciones \(β_2\) y \(β_3\) son los efectos de la intervención.

Aquí tenemos que volver a calcular los términos de Fourier sin previsión, ya que utilizaremos todos los datos de que disponemos (es decir, a posteriori). Además, tenemos que calcular los términos adicionales necesarios para la regresión.

## añade los términos de fourier utilizando las variables epiweek y case_int
counts$fourier <- select(counts, epiweek, case_int) %>% 
  as_tsibble(index = epiweek) %>% 
  fourier(K = 1)

## define la semana de intervención 
intervention_week <- yearweek("2008-12-31")

## define variables para la regresión 
counts <- counts %>% 
  mutate(
    ## corresponde a t en la fórmula
      ## recuento de semanas (probablemente también se podría usar directamente la variable epiweek)
    # linear = row_number(epiweek), 
    ## corresponde a delta(t-t0) en la fórmula
      ## periodo anterior o posterior a la intervención
    intervention = as.numeric(epiweek >= intervention_week), 
    ## corresponde a (t-t0)^+ en la fórmula
      ## recuento de semanas posteriores a la intervención
      ## ( elige el número mayor entre 0 y lo que resulte del cálculo)
    time_post = pmax(0, epiweek - intervention_week + 1))

A continuación, utilizamos estos términos para ajustar una regresión binomial negativa y elaboramos una tabla con el porcentaje de cambio. Lo que muestra este ejemplo es que no hubo ningún cambio significativo.

ATENCIÓN: Observa el uso de simulate_pi = FALSE dentro del argumento de predict(). Esto se debe a que el comportamiento por defecto de la tendencia es utilizar el paquete ciTools para estimar un intervalo de predicción. Esto no funciona si hay recuentos NA, y también produce intervalos más granulares. Véase ?trending::predict.trending_model_fit para más detalles.

## define el modelo que se quiere ajustar (binomial negativo) 
model <- glm_nb_model(
  ## establece el número de casos como resultado de interés
  case_int ~
    ## utiliza epiweek para tener en cuenta la tendencia
    epiweek +
    ## utiliza los términos furier para tener en cuenta la estacionalidad
    fourier + 
    ## añade si está en el periodo anterior o posterior 
    intervention + 
    ## añade el tiempo posterior a la intervención 
    time_post
    )

## ajusta el modelo utilizando el conjunto de datos de recuentos
fitted_model <- trending::fit(model, counts)

## calcula los intervalos de confianza y de predicción 
observed <- predict(fitted_model, simulate_pi = FALSE)



## muestra las estimaciones y el porcentaje de cambio en una tabla
fitted_model %>% 
  ## extrae la regresión binomial negativa original
  get_model() %>% 
  ## obtiene un dataframe ordenado de los resultados
  tidy(exponentiate = TRUE, 
       conf.int = TRUE) %>% 
  ## conserva sólo el valor de intervención 
  filter(term == "intervention") %>% 
  ## cambia la TIR (IRR) por el porcentaje de cambio para la estimación y los IC 
  mutate(
    ## para cada una de las columnas de interés - crea una nueva columna
    across(
      all_of(c("estimate", "conf.low", "conf.high")), 
      ## aplica la fórmula para calcular el cambio porcentual
            .f = function(i) 100 * (i - 1), 
      ## añade un sufijo a los nuevos nombres de columna con "_perc"
      .names = "{.col}_perc")
    ) %>% 
  ## sólo mantiene (y renombra) ciertas columnas 
  select("IRR" = estimate, 
         "95%CI low" = conf.low, 
         "95%CI high" = conf.high,
         "Percentage change" = estimate_perc, 
         "95%CI low (perc)" = conf.low_perc, 
         "95%CI high (perc)" = conf.high_perc,
         "p-value" = p.value)
## # A tibble: 1 × 7
##     IRR `95%CI low` `95%CI high` `Percentage change` `95%CI low (perc)` `95%CI high (perc)` `p-value`
##   <dbl>       <dbl>        <dbl>               <dbl>              <dbl>               <dbl>     <dbl>
## 1 0.936       0.874         1.00               -6.40              -12.6               0.306    0.0645

Como en el caso anterior, podemos visualizar los resultados de la regresión.

ggplot(observed, aes(x = epiweek)) + 
  ## añade los recuentos de casos observados como una línea
  geom_line(aes(y = case_int, colour = "Observed")) + 
  ## añade una línea para la estimación del modelo
  geom_line(aes(y = estimate, col = "Estimate")) + 
  ## añade una banda para los intervalos de predicción 
  geom_ribbon(aes(ymin = lower_pi, 
                  ymax = upper_pi), 
              alpha = 0.25) + 
  ## añade una línea vertical y una etiqueta para mostrar dónde empezó la predicción
  geom_vline(
           xintercept = as.Date(intervention_week), 
           linetype = "dashed") + 
  annotate(geom = "text", 
           label = "Intervention", 
           x = intervention_week, 
           y = max(observed$upper_pi), 
           angle = 90, 
           vjust = 1
           ) + 
  ## define los colores
  scale_colour_manual(values = c("Observed" = "black", 
                                 "Estimate" = "red")) + 
  ## realiza un gráfico tradicional (con ejes negros y fondo blanco)
  theme_classic()
## Warning: Removed 13 rows containing missing values (`geom_line()`).