Análisis de

datos espaciales

Andree Valle Campos

👋 📢 @avallecam

📌 diapositivas: https://bit.ly/episurv2021parte2

https://orcid.org/0000-0002-7779-481X

29/06/2021

Antes, una encuesta

• Entra aquí: https://www.menti.com/br8cf5ga5s

o

• Ve a www.menti.com y utiliza el código 7170 0099

Objetivos

• Calcular por cada Condado/Distrito dentro de un Estado/Departamento el:
• número de casos observados y esperados usando el paquete SpatialEpi, y
• las razones de mortalidad estandarizadas (Standardized Mortality Ratios o SMR).
• Obtener estimaciones del riesgo relativo de la enfermedad y cuantificar factores de riesgo usando el paquete INLA.
• Crear un mapa con las estimaciones de riesgo usando ggplot2.

¿Qué es la Epidemiología Espacial?

• Según Dustin Duncan, ScD (@drdustinduncan) vía twitter
• Estudio de la distribución de eventos y determinantes de la salud
• La vecindad tiene efectos significativos y duraderos en la salud

​

• Acorde con fenómeno estadístico de Autocorrelación Espacial (Sistemas de Información Geográfica, Victor Olaya) como:
• “Los puntos cercanos tienden a tener valores más similares entre sí que los puntos alejados”

Tipos de Datos Espaciales

Casos observados

Casos esperados

- Número de casos de la enfermedad que se esperaría obtener si la población de cada distrito/condado se comportara de la misma forma que la población de todo el departamento.

Método: Estandarización indirecta

Casos esperados

- Número de casos de la enfermedad que se esperaría obtener si la población de cada distrito/condado se comportara de la misma forma que la población de todo el departamento.

Método: Estandarización indirecta

Ahora podemos examinar el mapa y ver qué áreas tienen:

​

- SIR = 1 indicando mismos casos observados que esperados,

​

- SIR > 1 indicando más casos observados que esperados,

​

- SIR < 1 indicando menos casos observados que esperados.

​

El mapa muestra las SIRs y da una idea del riesgo de casos de SGB por distrito. Pero…

Sin Autocorrelación Espacial

Con Autocorrelación Espacial

Las tasas de eventos pueden ser engañosas y poco fiables en los distritos con poblaciones pequeñas, debido al Problema de la Unidad con Área Modificable (MAUP problem)

​

INLA nos permite usar:

• otras covariables y
• data de distritos vecinos

​

para mejorar las estas estimaciones y producir estimaciones de riesgo de la enfermedad suavizados

Modelo para la Correlación Espacial

Modelo de regresión espacial

Modelo de regresión espacial

• Modelo BYM = Besag-York-Mollie (Besag et al. 1974; Besag et al. 1991)

​

• Los efectos aleatorios espaciales son modelados usando un priori condicional autorregresivo (CAR, conditional autoregressive)

​

• estima un intercepto promedio (fijo) general y luego desviaciones locales a partir de este promedio, usando una estructura de vecindad

​

• INLA es el método computacional que permite realizar estimación bayesiana de una forma más eficiente

Modelo de regresión espacial BYM-CAR

Taller

Ejemplo de una

aplicación

Aplicación: Epidemia de SGB 2019

Construimos el modelo:

​

​

​

Donde:

: Número de casos observados de SGB en distrito i

: Número de casos esperados de SGB en distrito i

: Riesgo relativo en distrito i

: Número de distritos en departamento

: Número de casos de EDA o IRA (Exposición hipotética)

Referencias

¿Dónde aprender más teoría+práctica?

Material Data Camp

- Spatial Statistics

- Chapter 3 Areal Data

​

Acceso libre por 3 meses aquí

¿Dónde aprender más teoría+práctica?

¿Dónde aprender más teoría+práctica?

¿Dónde aprender más teoría+práctica?

¿Dónde aprender más teoría+práctica?

¿Dónde aprender más teoría+práctica?

Material de referencia

- Webinar: https://www.facebook.com/watch/live/?v=365612138156913&ref=watch_permalink

- Slides: https://www.paulamoraga.com/presentation-geospatial-dataviz-es/#8

- Tutorial: https://www.paulamoraga.com/tutorial-areal-data-es/

- Adaptación con +tidyverse: https://github.com/avallecam/spclustr/blob/master/moraga-RJ-2018-036.R

- Aplicación: https://raw.githubusercontent.com/avallecam/cdcperu-gt_investigacion/master/20191120-poster-SGB-INSv3.jpg

- Modelo: https://ij-healthgeographics.biomedcentral.com/articles/10.1186/1476-072X-6-39

- Contexto de modelo: https://link.springer.com/article/10.1007/s00477-007-0139-9

- Más webinars: https://twitter.com/whyRconf/status/1310136985030459393

- formato de poster: https://www.npr.org/sections/health-shots/2019/06/11/729314248/to-save-the-science-poster-researchers-want-to-kill-it-and-start-over

Cómo dar

crítica

constructiva

http://tiny.cc/IntroABCMetaDocencia2

La importancia de la crítica constructiva

http://tiny.cc/IntroABCMetaDocencia2

Ejercicio: Completa la encuesta anónima

• Duración: 5 minutos
• https://bit.ly/retroalimentacion-clase

extra slides

Otros datos espaciales

• Datos de área espacio-temporales
• paquete R: https://github.com/BenjaK/scanstatistics
• adaptación tidyverse del vignette: https://github.com/avallecam/spclustr/blob/master/scanstatistics-1-vignette.R
• Datos puntuales
• GAM https://noamross.github.io/gams-in-r-course/
• ejemplo reproducible usando GAM del problema presentado aquí: https://github.com/avallecam/spclustr/blob/master/dc-spatstat-gam_reprex.R

Series de tiempo

• Familia de paquetes: https://tidyverts.org/
• “Forecasting: Principles and Practice” https://otexts.com/fpp3/