Evaluación de métodos para el análisis de puntos de unión de series temporales utilizando datos simulados y reales

Área de la Ciencia:

• Estadísticas biológicas
• Epidemiología
• Investigación en servicios de salud

Sus antecedentes:

• La regresión del punto de unión (JR) es crucial para identificar los cambios de tendencia en los datos de las series temporales.
• La selección de un software apropiado para JR es vital para un análisis preciso de las tendencias sanitarias.

Objetivo del estudio:

• Comparar el rendimiento del programa de regresión de puntos de unión (JRP, por sus siglas en inglés) y el paquete "segmentado" R en la detección de puntos de unión.
• Evaluar el rendimiento del software utilizando datos simulados con características variables y datos reales de hospitalización de salud mental pediátrica.

Principales métodos:

• Se han simulado 1000 conjuntos de datos con autocorrelación controlada, cambios de tendencia y ubicaciones de puntos de unión.
• Se analizaron las proporciones mensuales de hospitalización pediátrica de salud mental (2016-2023).
• Precisión evaluada, especificidad, cobertura del intervalo de confianza y cobertura del cambio porcentual mensual (MPC).

Principales resultados:

• En simulaciones sin autocorrelación, R mostró una especificidad más alta (97,9%) que JRP (92,7%).
• Con los cambios de tendencia y la autocorrelación, JRP demostró una mejor precisión y cobertura del intervalo de confianza en comparación con R.
• El análisis de las hospitalizaciones pediátricas de salud mental reveló diferencias en los puntos de unión detectados y el cambio promedio porcentual mensual entre JRP y R.

Conclusiones:

• El paquete R "segmentado" es adecuado para conjuntos de datos que carecen de autocorrelación residual.
• El JRP se recomienda para el análisis de datos de atención médica autocorrelacionados o datos sin cambios de tendencia significativos.
• La elección del software para la regresión del punto de unión debe alinearse con las características específicas del conjunto de datos para un análisis fiable de las tendencias.