Los últimos años han traído avances sustanciales en los métodos analíticos para el modelado predictivo, incluso en medio de los impactos mundiales de las vacunas Covid-19.Los árboles potenciados por gradientes y las redes neuronales profundas se han convertido en métodos de última generación para la previsión de series temporales. Puede revisar los últimos problema especial del Revista internacional de pronósticos , incluyendo un papel por David Lander y yo sobre nuestra solución ganadora para la competencia M5 Uncertainty, en la que usamos exclusivamente árboles potenciados por gradiente. Esta nota demuestra una manera fácil de usar el Complemento XGBoost en JMP Pro para el pronóstico básico de series de tiempo en un conjunto de datos actual del Centro para el Control de Enfermedades (CDC) de EE. UU. en el centro de una controversia en torno a la seguridad de la vacuna Covid-19.
En una serie de tres largas publicaciones de blog, El escéptico ético (TES) hace sonar las alarmas con respecto a los aumentos sustanciales en el exceso de cáncer y otras mortalidades desde los lanzamientos de las vacunas contra el covid-19 a principios de 2021. Utiliza datos disponibles públicamente de los CDC, y uno de sus gráficos principales es el siguiente:
En refutación, jeffrey morris (JM) vuelve a analizar los datos y concluye que la señal no parece convincente hasta el 12 de marzo de 2022. Dos de sus gráficos son los siguientes:
JM escribe:
La clave para evaluar sus afirmaciones es, por supuesto, ver los datos de 2022 a medida que maduran y tenemos datos más completos durante el verano. Si el aumento en las muertes por cáncer desde el punto más bajo en la primavera de 2021 continúa a lo largo de 2022, esto brindaría más apoyo a su hipótesis, pero si continúa la disminución que parece haber comenzado a principios de 2022, entonces esto debilitaría la afirmación de un exceso inherentemente mayor muertes por cáncer iniciadas por algún factor introducido a principios de 2021.
Ahora tenemos los datos del verano de 2022 para analizar en JMP Pro y ver dónde estamos. Los datos están disponibles en dos archivos .csv que cubren 2014-2019 y 2020-2022 . Estos últimos se consideran "provisionales" ya que continuamente se agregan nuevos datos, y las últimas semanas tienden a tener números anormalmente bajos ya que aún no se han tabulado por completo. Los análisis posteriores se basan en datos descargados el 22 de noviembre de 2022.
Para investigar las cuestiones del exceso de mortalidad, necesitamos una estimación decente de la mortalidad inicial a lo largo del tiempo que se pueda restar de los datos actuales para estimar las discrepancias. TES describe un flujo de trabajo bastante complejo para lograr esto, incluida una función de suavizado de 6 semanas y un "efecto de avance" para acomodar a las personas cuya muerte se atribuyó anteriormente a Covid-19 en lugar de cáncer. Desafortunadamente, TES no parece ofrecer ningún código para reproducir sus resultados exactamente, aunque los pasos en su enfoque parecen sensatos. JM estima la línea de base como una tendencia lineal básica más las medias estacionales semanales (las líneas amarilla y azul en el gráfico de la izquierda arriba, respectivamente). Él proporciona admirablemente codigo r , que pude ejecutar con éxito y reproducir sus resultados. Las líneas de base tanto de TES como de JM son efectivamente pronósticos de 2020-2022 basados en los datos de 2014-2019, una división de tiempo razonable dado que la pandemia comenzó alrededor de enero de 2020.
Dados los sólidos éxitos recientes de los árboles potenciados por gradientes para la previsión de series temporales, un enfoque atractivo para el reanálisis es utilizar XGBoost para pronosticar la mortalidad de 2020-2022 con los datos de 2014-2019 y utilizarlos como referencia para evaluar el exceso de muertes durante 2020-2022. La clave para pronosticar con XGBoost es diseñar funciones apropiadas basadas en el tiempo que permitan la generalización en el futuro. Según la estructura de los datos y el problema, son posibles muchas características; ver nuestro Papel FIJ para algunos detalles al respecto. Para facilitar las comparaciones con TES y JM, utilizo un enfoque simple con solo dos características numéricas: semana del año y valores de retraso de 156 semanas. Sin duda, son posibles características más sofisticadas, aunque estas dos parecen hacer un trabajo razonablemente bueno y proporcionan una buena ilustración inicial del poder de XGBoost para problemas como este. Los resultados se muestran a continuación en Graph Builder:
El panel superior muestra los datos sin procesar en azul y las predicciones de XGBoost en rojo. Los pronósticos simples de XGBoost pasan la prueba del "globo ocular", aunque es muy probable que se puedan mejorar con un modelado más cuidadoso. El panel central tiene los residuos del ajuste, y los resultados a partir de 2020 pueden considerarse estimaciones del exceso de muertes por cáncer para cada semana. Vemos que los datos observados superan los pronósticos para la mayoría de las semanas después de mediados de 2021. El panel inferior tiene las sumas acumuladas de los residuales, y el número final de 15 000 es la estimación aproximada del exceso total de muertes para el 1 de octubre de 2022. Una conclusión inicial de este análisis respalda la afirmación de TES de un exceso excesivo de muertes por cáncer desde mediados de 2021 en adelante, lo que sugiere que las vacunas pueden estar desempeñando un papel causal.
Estimar el exceso de muertes es un tema complejo, y el análisis anterior está diseñado para ser un punto de partida sencillo que es más ilustrativo que definitivo. los Centros para el Control y la Prevención de Enfermedades y Reino Unido OHID tienen páginas con mucha más profundidad, y hay numerosos análisis y disputas en línea. Por ejemplo, véanse los desacuerdos entre JM y Mateo Crawford en algunos datos de seguros sorprendentes que muestran una paradoja de Simpson regional, una papel retraído por Kostoff et al., y artículos provocativos por Norman Fenton y colegas y steve kirsch en datos del Reino Unido. Será interesante ver qué datos y debates traen los meses de invierno y, afortunadamente, tenemos una herramienta confiable como JMP Pro para analizar los datos de manera eficiente y directa.
Los pasos para reproducir el análisis de pronóstico de XGBoost en JMP Pro son los siguientes, que puede usar para realizar sus propias exploraciones adicionales ahora o más adelante cuando haya más datos disponibles:
- Descargue, abra y concatene las dos tablas CDC ( 2014-2019 y 2020-2022 ). Subconjunto de los datos a Jurisdicción de Ocurrencia == “Estados Unidos”.Seleccione las últimas cinco filas y luego haga clic en Filas > Ocultar y excluir. Excluí las últimas cinco filas y elegí el 1 de octubre de 2022 como fecha límite en función de una visualización inicial de Graph Builder de los datos sin procesar. ¡Represente siempre sus datos!
- Seleccione filas para los años 2020-2022 y luego Filas > Selección de fila > Selección de nombre en columna para crear una nueva variable llamada Val20 que tenga el valor 0 para los años 2014-2019 (no seleccionado) y 1 para los años 2020-2022 (seleccionado). Cambie el Tipo de análisis de esta variable a Continuo haciendo clic con el botón derecho en el histograma rojo junto a él en el panel izquierdo de Columnas. Val20 se usa como columna de validación en XGBoost para esperar 2020-2022 durante el ajuste del modelo.
- La variable numérica Semana MMWR ya está en la tabla y es nuestra primera característica. Para diseñar la segunda función, seleccione la columna Neoplasmas malignos (C00-C97), que es la respuesta primaria al cáncer.En la tabla, haga clic con el botón derecho en esta variable > Nueva columna de fórmula > Fila > Lag Multiple. Seleccione 156 como valor inicial y final y luego haga clic en Aceptar. Esto crea una nueva columna que es una variable de retraso de 3 años. Usamos un retraso de 3 años para cubrir completamente el horizonte de pronóstico 2020-2022 con valores observados de 2014-2019 sin ninguna fuga.
- Instala el Complemento XGBoost .Haga clic en Complementos > XGBoost > XGBoost. Especifique Neoplasias malignas (C00-C97) como Respuesta Y, Semana MMWR y la nueva función de retraso de 3 años como X, y Val20 como Validación. Haga clic en Aceptar, marque Autotune, luego Ir. Los resultados deben ser similares a los siguientes.
- En la ventana de resultados de XGBoost, haga clic en el triángulo rojo junto al Modelo 1 y haga clic en Guardar predicciones. Esto guarda las predicciones de todas las filas en la tabla JMP. Los de los años 2020-2022 son previsiones ya que mantuvimos esos datos durante el entrenamiento. Tenga en cuenta que el gráfico de arriba a la derecha también muestra que los valores observados superan los pronósticos para 2020-2022, como lo demuestra la mayoría de los puntos que se encuentran por encima de la línea de referencia de 45 grados.
- En la tabla, seleccione Neoplasias malignas (C00-C97) y la nueva columna de predicción. Haga clic con el botón derecho en > Nueva columna de fórmula > Combinar > Diferencia. Esto crea una nueva columna de residuos. Seleccione y haga clic con el botón derecho en esta nueva columna > Nueva columna de fórmula > Fila > Suma acumulativa.
- En Graph Builder, arrastre la fecha de finalización de la semana a X y las variables creadas anteriormente a Y para crear la pantalla que se muestra anteriormente.
Se adjunta una tabla JMP que contiene todos los datos (pasos 1 a 3) y secuencias de comandos integradas de XGBoost y Graph Builder (pasos 4 a 7). No dude en ponerse en contacto conmigo con respecto a los temas aquí.
