Modelo de regressão spline, com efeitos mistos e erros autorregressivos de médias móveis, aplicado aos dados da Covid-19 nos estados do Sul e Sudeste do Brasil
DOI:
https://doi.org/10.18265/2447-9187a2022id7712Palavras-chave:
autorregressivos de médias móveis, covid-19 no Brasil, dados longitudinais, efeitos mistos, regressão splineResumo
Este trabalho tem como objetivo apresentar um método para ajustar dados longitudinais de casos confirmados e acumulados de Covid-19, proporcionalmente ao número de habitantes dos estados das regiões Sul e Sudeste do Brasil, considerando o tempo como variável explicativa. Com o modelo proposto, é possível fazer previsões de novos casos da doença como forma de oferecer suporte para gestores públicos e privados na elaboração e planejamento de estratégias para prevenir ou atenuar impactos sociais e econômicos de doenças de propagação viral coma a Covid-19 e outras doenças com propagação similar. Considerou-se modelos de regressão spline com efeitos mistos, úteis para ajuste de dados correlacionados que não possuam relação linear, e modelos autorregressivos e de médias móveis (ARMA) para os resíduos, uma vez que estes apresentaram essa característica, além de serem estacionários. Utilizou-se o modelo de regressão spline cúbica com efeitos mistos para calcular as taxas de crescimento e para predição de observações futuras do número acumulado de infectados pela Covid-19 nos sete estados estudados. Os resultados obtidos demonstraram boa concordância entre os dados ajustados com o modelo e os dados observados para todos os estados analisados. As previsões para os estados de São Paulo, Espírito Santo e Minas Gerais apresentaram os menores valores absolutos dos desvios relativos entre valores preditos e observados.
Downloads
Referências
AKAIKE, H. A new look at the statistical model identification. IEEE Transactions on Automatic Control, v. 19, n. 6, p. 716-723, 1974. DOI: https://doi.org/10.1109/TAC.1974.1100705.
ASHOUR, H. M.; ELKHATIB, W. F.; RAHMAN, M.; ELSHABRAWY, H. A. Insights into the recent 2019 novel coronavirus (SARS-CoV-2) in light of past human coronavirus outbreaks. Pathogens, v. 9, n. 3, 186, 2020. DOI: https://doi.org/10.3390/pathogens9030186.
BOX, G. E. P.; JENKINS, G. M.; REINSEL, G. C. Time series analysis: forecasting and control, 3. ed. San Francisco: Holden-Day, 1994.
CRODA, J. H. R.; GARCIA, L. P. Resposta imediata da vigilância em saúde à epidemia da COVID-19. Epidemiologia e Serviços de Saúde, v. 29, n. 1, p. 1-3, 2020. DOI: https://doi.org/10.5123/S1679-49742020000100021.
DEMERTZIS, K.; TSIOTAS, D.; MAGAFAS, L. Modeling and forecasting the COVID-19 temporal spread in Greece: An exploratory approach based on complex network defined splines. International Journal of Environmental Research and Public Health, v. 17, n. 13, 4693, 2020. https://doi.org/10.3390/ijerph17134693.
FRANÇA, E. B.; ISHITANI, L. H.; TEIXEIRA, R. A.; ABREU, D. M. X. D.; CORRÊA, P. R. L.; MARINHO, F.; VASCONCELOS, A. M. N. Deaths due to Covid-19 in Brazil: how many are there and which are being identified? Revista Brasileira de Epidemiologia, v. 23, e200053, 2020. https://doi.org/10.1590/1980-549720200053.
GARCIA, L. P.; DUARTE, E. Nonpharmaceutical interventions for tackling the Covid-1 epidemic in Brazil. Epidemiologia e Serviços de Saúde, v. 29, n. 2, e2020222, 2020. https://doi.org/10.5123/S1679-49742020000200009.
GOMES, S. C. P.; MONTEIRO, I. O.; ROCHA, C. R. Modelagem dinâmica da COVID-19 com aplicação a algumas cidades brasileiras. Revista Thema, v. 18, p. 1-25, 2020. https://doi.org/10.15536/thema.V18.Especial.2020.1-25.1793.
GRAJEDA, L. M.; IVANESCU, A.; SAITO, M.; CRAINICEANU, C.; JAGANATH, D.; GILMAN, R. H.; CRABTREE, J. E.; KELLEHER, D.; CABRERA, L.; CAMA, ,V.; CHECKLEY, W. Modelling subject-specific childhood growth using linear mixed-effect models with cubic regression splines. Emerging Themes in Epidemiology, v. 13, 1, 2016. https://doi.org/10.1186/s12982-015-0038-3.
HARRELL JUNIOR, F. E. Regression modeling strategies: with applications to linear models, logistic and ordinal regression, and survival analysis. New York: Springer-Verlag, 2015. DOI: https://doi.org/10.1007/978-3-319-19425-7.
HYNDMAN, R.; ATHANASOPOULOS G.; BERGMEIR C.; CACERES G.; CHHAY, L.; KUROPTEV, K.; O'HARA-WILD, M.; PETROPOULOS, F., RAZBASH, S.; WANG, E.; YASMEEN, F. forecast. R package version 8.12, http://pkg.robjhyndman.com/forecast. (2023). Acesso em: 02 mai. 2023.
LACHOS, V. H.; GHOSH, P.; ARELLANO-VALLE, R. B. Likelihood based inference for skew-normal independent linear mixed models. Statistica Sinica, v. 20, n. 1, p. 303-322, 2010. https://www.jstor.org/stable/24308993. Acesso em: 26 jun. 2023.
LAIRD, N. M.; WARE, J. H. Random-effects models for longitudinal data. Biometrics, v. 38, n. 4, p. 963-974, 1982. DOI: https://doi.org/10.2307/2529876.
NORDHAUSEN, K.; OJA, H.; PARSSINEN, O. Mixed-effects regression splines to model myopia data. Journal of Biomeetrics & Biostatistics, v. 6, n. 1, e100023, 2015. http://dx.doi.org/10.4172/2155-6180.1000239.
OLIVEIRA, L. C.; OLIVIA, J. T; RIBEIRO, M. H. D; TEIXEIRA, M.; CASANOVA, D. Forecasting the COVID-19 space-time dynamics in Brazil with convolutional graph neural networks and transport modals. IEEE Access, v. 10, p. 85064-85079, 2022. DOI: https://doi.org/10.1109/ACCESS.2022.3195535.
PAINE, C. E. T.; MARTHEWS, T. R.; VOGT, D. R.; PURVES, D.; REES, M.; HECTOR, A.; TURNBULL, L. A. How to fit nonlinear plant growth models and calculate growth rates: an update for ecologists. Methods in Ecology and Evolution, v. 3, n. 2, p. 245-256, 2012. DOI: https://doi.org/10.1111/j.2041-210X.2011.00155.x.
PARRO, V. C.; LAFETÁ, M. L. M..; PAIT, F,; IPÓLITO, F. B.; TOPORCOV, T. N. Predicting COVID-19 in very large countries: The case of Brazil. PLoS ONE, v. 16, n. 7, 2021. DOI: https://doi.org/10.1371/journal.pone.0253146.
PEREIRA, I. G.; GUERIN, J. M.; SILVA JÚNIOR, A. G.; GARCIA, G. S.; PISCITELLI, P.; MIANI, A.; DISTANTE, C.; GONÇALVES, L. M. G. Forecasting Covid-19 dynamics in Brazil: a data driven approach. International Journal of Environmental Research and Public Health, v. 17, n. 14, 5115, 2020. DOI: https://doi.org/10.3390/ijerph17145115.
PEREIRA, M. A. A.; RUSSO, C. M. Nonlinear mixed-effects models with scale mixture of skew-normal distributions. Journal of Applied Statistics, v. 46 n. 9, p. 1602-1620, 2019. DOI: https://doi.org/10.1080/02664763.2018.1557122.
PINHEIRO, J. C.; BATES, D. M. Mixed-effect models in S and S-PLUS. New York: Springer, 2000. DOI: https://doi.org/10.1007/b98882.
PINHEIRO, J.; BATES, D.;DEBROY, S.; SARKAR, D. nlme: linear and nonlinear mixed-effects models. R package version 3.1-147, 2023. Disponível em: https://CRAN.R-project.org/package=nlme. (2023). Acesso em: 02 mai. 2023.
R CORE TEAM. R: Language and environment for statistical computing. R Foundation for Statistical Computing. Vienna, Austria. Disponível em: https://www.R-project.org. (2023). Acesso em: 02 mai. 2023.
RIBEIRO, M. H. D. M.; SILVA, R. G.; MARIANI, V. C.; COELHO, L. S. Short-term forecasting COVID-19 cumulative confirmed cases: perspectives for Brazil. Chaos, Solitons & Fractals, v. 135, 109853, 2020. DOI: https://doi.org/10.1016/j.chaos.2020.109853.
RODRIGUEZ-MORALES, A. J.; GALLEGO, V.; ESCALERA-ANTEZANA, J. P.; MENDEZ, C. A.; ZAMBRANO, L. I., FRANCO-PAREDES, C.; SUÁREZ, J. A.; RODRIGUEZ-ENCISO, H. D.; BALBIN-RAMON, G. J.; SAVIO-LARRIERA, E.; RISQUEZ, A.; CIMERMAN, S. COVID-19 in Latin America: the implications of the first confirmed case in Brazil. Travel Medicine and Infectious Disease, v. 35, 101613, 2020. DOI: https://doi.org/10.1016/j.tmaid.2020.101613.
SALGOTRA, R.; GANDOMI, M.; GANDOMI, A. H. Time series analysis and forecast of the covid-19 pandemic in india using genetic programming. Chaos, Solitons & Fractals, v. 138, 109945, 2020. https://doi.org/10.1016/j.chaos.2020.109945.
SARAIVA, E. F.; SAUER, L. Modelagem e predição das quantidades de casos confirmados da Covid-19 no estado do Mato Grosso do Sul. Revista Brasileira de Estatística, v. 78, n. 245, p. 42-68, 2020. Disponível em: https://rbes.ibge.gov.br/images/doc/rbe_245jul_dez2020.pdf. Acesso em: 23 jun. 2023.
SCHUMACHER, F. L.; FERREIRA, C. S.; PRATES, M. O.; LACHOS, A.; LACHOS, V. H. A robust nonlinear mixed-effects model for COVID-19 death data. Statistics and Its Interface, v. 14, n. 1, p. 49-57, 2020. DOI: https://dx.doi.org/10.4310/20-SII637.
SCHUSTER, N. A.; RIINHART, J. J. M.; TWISK, J. W. R.; HEYMANS, M. W. Modeling non-linear relationships in epidemiological data: the application and interpretation of spline models. Frontiers in Epidemiology, v. 2, 975380, 2022. DOI: https://doi.org/10.3389/fepid.2022.975380.
SILVA, C. C.; LIMA, C. L.; SILVA, A. C. G.; SILVA, E. L.; MARQUES, G. S.; ARAÚJO, L. J. B.; ALBUQUERQUE JUNIOR., L. A.; SOUZA, S. B. J.; SANTANA, M. A.; GOMES, J. C.; BARBOSA, V. A. F.; MUSAH, A.; KOSTKOVA, P.; SANTOS, W. P.; SILVA FILHO, A. G. Covid-19 dynamic monitoring and real-Time spatio-temporal forecasting, Frontiers in Public Health v. 9, 2021. DOI: https://doi.org/10.3389/fpubh.2021.641253.
TRAPLETTI, A.; HORNIK, K.; LEBARON, B. tseries: time series analysis and computational finance. R package version 0.10-47, 2023. Disponível em: https://CRAN.R-project.org/package=tseries. (2023). Acesso em: 02 mai. 2023.
TSALLIS, C.; TIRNAKLI, U. Predicting COVID-19 peaks around the world. Frontiers in Physics, v. 8, 217, 2020. DOI: https://doi.org/10.3389/fphy.2020.00217.
Downloads
Edição
Seção
Licença
• O(s) autor(es) autoriza(m) a publicação do artigo na revista;
• O(s) autor(es) garante(m) que a contribuição é original e inédita e que não está em processo de avaliação em outra(s) revista(s), nem esteja publicado em anais de congressos e/ou portais institucionais;
• A revista não se responsabiliza pelas opiniões, ideias e conceitos emitidos nos textos, por serem de inteira responsabilidade de seu(s) autor(es). Opiniões e perspectivas expressas no texto, assim como a precisão e a procedência das citações, são de responsabilidade exclusiva do(s) autor(es), e contribuem para a promoção dos:
- Princípios FAIR (Findable, Accessible, Interoperable, and Reusable – localizável, acessível, interoperável e reutilizável);
- Princípios DEIA (diversidade, equidade, inclusão e acessibilidade).
• É reservado aos editores o direito de proceder ajustes textuais e de adequação do artigos às normas da publicação.
Responsabilidades dos autores e transferência de direitos autorais
Os autores devem declarar a originalidade do estudo, bem como o fato de que este não foi publicado anteriormente ou está sendo considerado para publicação em outro meio, como periódicos, anais de eventos ou livros. Ao autorizarem a publicação do artigo na Revista Principia, os autores devem também responsabilizar-se pelo conteúdo do manuscrito, cujos direitos autorais, em caso de aprovação, passarão a ser propriedade exclusiva da revista. A Declaração de Responsabilidades dos Autores e Transferência de Direitos Autorais deverá ser assinada por todos os autores e anexada ao sistema como documento suplementar durante o processo de submissão. Clique no link abaixo para fazer o download do modelo.
Esta revista, seguindo as recomendações do movimento de Acesso Aberto, proporciona seu conteúdo em Full Open Access. Assim os autores conservam todos seus direitos permitindo que a Revista Principia possa publicar seus artigos e disponibilizar pra toda a comunidade.
A Revista Principia adota a licença Creative Commons 4.0 do tipo atribuição (CC-BY). Esta licença permite que outros distribuam, remixem, adaptem e criem a partir do seu trabalho, inclusive para fins comerciais, desde que lhe atribuam o devido crédito pela criação original.
Os autores estão autorizados a enviar a versão do artigo publicado nesta revista em repositório institucionais, com reconhecimento de autoria e publicação inicial na Revista Principia.
