Los últimos años han traído avances sustanciales en métodos analíticos para modelos predictivos, 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 predicción de series temporales. Puedes revisar las recientes problema especial del Revista internacional de previsión , incluyendo un papel de David Lander y yo sobre nuestra solución ganadora para la competencia M5 Uncertainty, en la que utilizamos exclusivamente árboles con gradiente mejorado. Esta nota muestra una forma sencilla de utilizar el Complemento XGBoost en JMP Pro para pronósticos básicos de series de tiempo sobre un conjunto de datos actuales 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 la alarma sobre aumentos sustanciales en el exceso de cáncer y otras mortalidades desde el lanzamiento de las vacunas 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. A continuación se muestran dos de sus gráficos:
JM escribe:
La clave para evaluar sus afirmaciones es, por supuesto, ver los datos de 2022 a medida que vayan madurando y tengamos datos más completos durante el verano. Si el aumento de las muertes por cáncer desde el nadir de la primavera de 2021 continúa a lo largo de 2022, esto proporcionaría 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 nos encontramos. 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 han sido tabulados por completo. Los análisis posteriores se basan en datos descargados el 22 de noviembre de 2022.
Para investigar cuestiones de exceso de mortalidad, necesitamos una estimación decente de la mortalidad inicial a lo largo del tiempo que pueda restarse de los datos actuales para estimar las discrepancias. TES describe un flujo de trabajo bastante complejo Para lograr esto, incluye una función suavizante de 6 semanas y un “efecto de avance” para adaptarse a las personas cuya muerte se ha atribuido anteriormente a Covid-19 en lugar de cáncer. Desafortunadamente, TES no parece ofrecer ningún código para reproducir exactamente sus resultados, aunque los pasos de su enfoque parecen sensatos. JM estima la línea de base como una tendencia lineal básica más medias estacionales semanales (las líneas amarilla y azul en el gráfico de la izquierda arriba, respectivamente). Él proporciona admirablemente código r , que pude ejecutar con éxito y reproducir sus resultados. Las líneas de base tanto de TES como de JM son efectivamente pronósticos para el período 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 recientes éxitos de los árboles impulsados por gradiente para el pronóstico 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 utilizar esto como base para evaluar el exceso de muertes durante 2020-2022. La clave para realizar pronósticos con XGBoost es diseñar características apropiadas basadas en el tiempo que permitan la generalización en el futuro. Dependiendo de la estructura de los datos y del problema, son posibles muchas características; ver nuestro papel de la 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. Ciertamente son posibles funciones 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 muy probablemente podrían mejorarse 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 las previsiones durante la mayoría de las semanas posteriores a mediados de 2021. El panel inferior tiene las sumas acumuladas de los residuos, 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 sea más ilustrativo que definitivo. El Centros para el Control y la Prevención de Enfermedades y OHID del Reino Unido Tenemos páginas con mucha más profundidad y hay numerosos análisis y disputas en línea. Por ejemplo, véanse los desacuerdos entre J.M. y Mateo Crawford sobre algunos datos de seguros sorprendentes que muestran una paradoja de Simpson regional, una papel retractado de Kostoff et al., y artículos provocativos de Norman Fenton y colegas y Steve Kirsch sobre 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 por nosotros mismos.
Los pasos para reproducir el análisis de pronóstico de XGBoost en JMP Pro son los siguientes, que puede utilizar para realizar sus propias exploraciones 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 del suceso == “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. ¡Traza siempre tus datos!
- Seleccione filas para los años 2020-2022 y luego Filas > Selección de filas > Selección de nombre en columna para crear una nueva variable denominada Val20 que tiene el valor 0 para los años 2014-2019 (no seleccionados) y 1 para los años 2020-2022 (seleccionados). Cambie el tipo de análisis de esta variable a Continuo haciendo clic derecho en el histograma rojo al lado en el panel izquierdo de Columnas. Val20 se utiliza como columna de validación en XGBoost para aguantar 2020-2022 durante el ajuste del modelo.
- La variable numérica MMWR Week ya está en la tabla y es nuestra primera característica. Para diseñar la segunda característica, seleccione la columna Neoplasias malignas (C00-C97), que es la respuesta primaria al cáncer.En la tabla, haga clic derecho en esta variable > Nueva columna de fórmula > Fila > Retraso múltiple. 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. Utilizamos un desfase 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 Autoajuste y luego Ir. Los resultados deberían ser similares a los siguientes.
- En la ventana de salida de XGBoost, haga clic en el triángulo rojo al lado del Modelo 1 y haga clic en Guardar predicciones. Esto guarda las predicciones para todas las filas en la tabla JMP. Los de los años 2020-2022 son pronósticos, ya que mostramos esos datos durante el entrenamiento. Tenga en cuenta que el gráfico de 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 derecho > Nueva columna de fórmula > Combinar > Diferencia. Esto crea una nueva columna de residuos. Seleccione y haga clic 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 visualización que se muestra anteriormente.
Se adjunta una tabla JMP que contiene todos los datos (pasos 1 a 3) y los scripts XGBoost y Graph Builder integrados (pasos 4 a 7). No dude en ponerse en contacto conmigo sobre los temas aquí.
