Libro sobre metaregresión para epidemiología descriptiva
Desde que aprendí sobre las ecuaciones diferenciales, me parecieron herramientas extremadamente poderosas para modelar la realidad. Luego trabajando en estadística, extrañé esa formalidad y versatilidad para describir sistemas que van más allá de cantidades aleatorias y estadísticas básicas. Conocí a mi novia, L, hace unos años mientras trabajaba en un centro de investigación donde aplicaba la dinámica de sistemas para problemas socioeconómicos. Esto de la dinámica de sistemas me hizo resonancia con las ecuaciones diferenciales, ya que se trata de modelar la realidad con variables conectadas entre sí y que cambián en el tiempo de acuerdo a reglas matemáticas. Entre todo eso tenía la noción de que ambos mundos deberían estar conectados; la estadística y los sistemas dinámicos (más bien me interesa esto desde la perspectiva de las ecuaciones diferenciales).
Debido a un proyecto nuevo en el que estoy trabajando, me encontré un modelo que mezcla estos dos paradigmas: sistemas dinámicos de epidemiología con métodos estadísticos bayesianos. Aún no he leído el libro que describe el modelo, pero quería postearlo por aquí ya que lo encontré en el repositorio del modelo (que por cierto, está hecho en python 🙂 ). En el directorio “book” encontré el código fuente del libro, en latex :). Lo compilé y lo comparto por aquí. No encontré ninguna licencia ni mención de copyright en el repositorio ni en los archivos del libro, así que espero que no haya ningún problema con postearlo por aquí: An Integrative Metaregression Framework for Descriptive Epidemiology.
El autor, Abraham Flaxman, es un estadístico PhD de Washington que ha trabajado con el IHME (instituto de métricas y evaluación de salud) en varios proyectos, entre los cuales está el GBD, que es el proyecto por el cual Flaxman ha creado este modelo de metaregresión bayesiana. El GBD es bastante ambicioso. Pretende desplegar información de varias enfermedades (no sé si todas) a nivel de país, género, edad y para cada año desde 1990 hasta la actualidad. Para esto hay muchos obstáculos. En especial que no hay suficientes datos o hay datos de mala calidad en muchos países. Para llenar estos agujeros, Flaxman, encargado de los modelos utilizados en este proyecto, ha usado la metaregresión. Basándose en varios estudios, bases de datos y conocimientos de las enfermedades estudiadas (conocimientos científicos que, por supuesto, provienen de estudios científicos) (de allí el prefijo “meta”) se obtienen creencias a priori que se usan para generar las estimaciones de los datos faltantes. Su blog está muy bien, también.