Pronóstico de series temporales de la tasa de mortalidad infantil en la India utilizando modelos ARIMA bayesianos

Área de la Ciencia:

• La demografía
• Estadísticas biológicas
• Salud pública

Sus antecedentes:

• La tasa de mortalidad infantil (IMR) es un indicador clave de la salud nacional y el estado socioeconómico.
• La evaluación de la RMI es crucial para evaluar el bienestar materno e infantil.
• El análisis de series temporales ofrece herramientas valiosas para comprender las tendencias demográficas.

Objetivo del estudio:

• Para analizar los datos de la tasa de mortalidad infantil utilizando el modelo de promedio móvil auto-regresista integrado (ARIMA).
• Comparar los métodos de estimación clásicos y bayesianos para los parámetros del modelo ARIMA.
• Pronosticar las tendencias futuras de la mortalidad infantil utilizando técnicas estadísticas avanzadas.

Principales métodos:

• Se utilizó el filtro de Kalman para la estimación de la probabilidad del modelo ARIMA.
• Empleó un algoritmo de Metrópolis de Caminado Aleatorio para el análisis bayesiano.
• Se seleccionó el mejor modelo ARIMA utilizando AIC, BIC y K-fold Cross Validation.

Principales resultados:

• El modelo ARIMA ((5,1,0) fue identificado como el más adecuado para los datos de IMR de la India (1950-2023).
• La estimación bayesiana y el filtrado de Kalman proporcionaron una estimación robusta del parámetro.
• Las previsiones indican una disminución constante de la RMI entre 2024 y 2033.

Conclusiones:

• El modelado ARIMA bayesiano es efectivo para la predicción demográfica.
• El estudio demuestra la utilidad de estos métodos para la planificación de la salud pública.
• La predicción precisa de la RMI apoya las intervenciones sanitarias específicas y el desarrollo de políticas.