Análisis de la serie temporal de los decesos por COVID 19 en México

¿Qué fue lo qué causo la pandemia en las personas mexicanas y como esto se vio reflejado el twitter?

Ansiedad en pandemia

Vivimos en una rutina constante de ir y venir, de mantenernos ocupados en el trabajo, con las amistades, en el deporte, juegos, cine, comidas o convivios en restaurantes, etc.. En todas y cada una de las actividades que tenemos día a día y la mayoría de ellas, por no decir todas, son en contacto con el exterior, lo que nos lleva a vivir en un mundo externo a nosotros mismos, lleno de prisas, a la corre y corre, a tal grado que no tenemos tiempo o no deseamos detenernos a reflexionar en lo que se piensa o se siente realmente, en esos momentos.

Dicho de otra manera, llenamos nuestros tiempos y espacios con actividades y no nos damos tiempo para nosotros mismos, para hacer contacto con nuestro ser interior. Y cuando llega este momento de recogimiento, de limitación al afuera, se ha visto que muy frecuentemente, asusta o da miedo el solo hecho de pensar que no se saldrá de casa, que no se podrá hacer todo lo que hacía con anterioridad. Es en ese momento cuando uno se detiene a revisar lo que piensa, siente o recuerda de su vida. Al menos eso es lo que la mayoría de los pacientes en consulta reportan y que lo expresan como:

• Sentimiento de soledad
• Tener miedo primero a la situación sanitaria y posteriormente a enfermarse, y esto se agrava si algún familiar o amigo pasa por esta situación o incluso fallece por este virus.
• Dando pie a un recuento del pasado. A recordar errores cometidos en el transcurso de la vida, que se hizo, que no hizo, que me hicieron otros y que he superado y que no, en sí, todo lo bueno, en menor proporción, y lo malo, en demasía, con mi familia, amigos, conmigo mismo (a).
• Hasta llegar a estar frente a frente consigo mismos, pero ¿Cómo lo hago? Si nunca antes lo había hecho por estar enfrascado en tanta actividad, comentan algunos pacientes.

*Agotamiento mental

Ante la mezcla de la vida personal y la laboral durante el confinamiento, las especialistas mencionan que ha incrementado el sentimiento de agotamiento mental, también conocido como “burnout”. El trabajo excesivo, los horarios, todo se combinó; la noche, la mañana, ¿a qué hora empieza mi trabajo y mis labores de casa? Esto ha tenido efectos hasta biológicos en el cuerpo como el insomnio o el sedentarismo.

Importar paquetes/librerias

## Se importan paquetes y librerias.
library(pacman)
p_load("DT","xfun","ggplot2", "readr","tseries","ggfortify","tidyr", "dplyr","markdown","knitr","tidyverse","lubridate","summarytools","ggpubr","kableExtra","reshape2","gridExtra",
       "sf","tmap","devtools","Rcpp","gganimate","gifski","Hmisc","corrplot","GGally")

Datos

url_decesos <- "https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_deaths_global.csv"


#Leer los archivos .csv de las url 

datos_decesos <- read.csv(url_decesos)
twitter_diaria <- read_csv("twitter_diaria.csv")

## Rows: 2255 Columns: 7

## -- Column specification --------------------------------------------------------
## Delimiter: ","
## chr  (2): tipo_usuario, lugar
## dbl  (4): tuits_negativos, indice, recoleccion_promedio, tuits_positivos
## date (1): fecha

## 
## i Use `spec()` to retrieve the full column specification for this data.
## i Specify the column types or set `show_col_types = FALSE` to quiet this message.

datosTwitter <- data.frame(twitter_diaria)
movilidad <- read.csv("movilidad_mexico_2020.csv")

#definir variables 

dec_mex  <- t(datos_decesos[datos_decesos$Country.Region=="Mexico" ,])
twt_neg  <- twitter_diaria[1482:1826 ,c(3)]
Residencia  <- movilidad[1:345 , c(15) ]

Fecha=seq(from = as.Date("2020-01-22"),to = as.Date("2020-12-31"),by = "day")

Series de tiempo

• Antes de empezar la pandemia

twittsST <- ts(datosTwitter[ ,c(3)],start = c(2016,1),end = c(2020,1),frequency = 12)
autoplot(twittsST, ts.colour = "blue",ts.linetype = "dotted")

• Después del inicio de la pandemia

twittsST <- ts(datosTwitter[ ,c(3)],start = c(2020,3),end = c(2022,1),frequency = 12)
autoplot(twittsST, ts.colour = "blue",ts.linetype = "dotted",main = "Serie de tiempo indice de tweets negativos",xlab = "Fecha",ylab = "Indice")

El anterior gráfico representa una serie de tiempo, la cual indica el comportamiento de los tweets negativos a lo largo de los años. Aquí podemos observar de manera más gráfica el comportamiento de los tweets negativos, desde el año 2016, hasta el presente. Se puede observar que cuando inició la pandemia hubo una ola muy notoria de twits negativos, sin embargo, la estos disminuyeron en gran medida, estando muy por debajo que años previos. También se observa como, los tweets negativos aumentan a finales y principios de cada año.

• Gráfica de caja y bigote después del inicio de la pandemia

twittsNegativosST <- ts(datosTwitter$indice,start = c(2020,3),end = c(2022,1),frequency = 12)

boxplot(twittsNegativosST~cycle(twittsNegativosST),xlab = "Mes",ylab = "Número de tweets",main = "Serie de tiempo del indice de tweets negativos")

Se observa que los datos si varían mucho, pero se alcanza a notar los cambios drásticos que hubo después de que se oficializara el comienzo de la nueva pandemia.

# tweets negativos
Tweets_negativos <- unlist(twt_neg)

#decesos 
vec1 <- as.vector(dec_mex)
vec2 <- vec1[5:349]
num1 <- as.numeric(vec2)
Decesos <- as.vector(num1)

for(i in 1:345){
  Residencia[i] <- Residencia[i]*10
}
Residencia <- accumulate(Residencia[1:345],`+`)
#generación de un marco de datos (data frame)

datosPandemia <- data.frame(Fecha, Tweets_negativos, Decesos, Residencia)

Se grafican los datos

A continuación se presentan los datos de tweets negativos, decesos y movilidad durente la pandemia en una gráfica

Gráfica estática

gcov <- ggplot(data = datosPandemia) +
  geom_line(aes(Fecha, Tweets_negativos, colour="Tweets negativos")) +
  geom_line(aes(Fecha, Decesos, colour="Decesos")) +
  geom_line(aes(Fecha, Residencia, colour="Residencia")) +
  xlab("Fecha") +
  ylab("Pandemia COVID-19 en México") +
  labs(colour="Variables")+
  ggtitle("Relación entre tweets negativos, recidencia y decesos por Covid-19")
gcov

En este gráfico se pueden observar las tendencias de crecimiento de los datos de decesos, residencia y tweets negativos durante el año 2020 hasta el inicio del año 2021. A simple vista se observa una relación entre las variables de decesos y residencia, puesto que el crecimiento de los decesos, coincide con el crecimiento de la variable de residencia. Mientras que, en los tweets negativos, no se observa una relación con el resto de las variables.

Gráfica animada

ggplot(data = datosPandemia) +
  geom_line(aes(Fecha,  Tweets_negativos, colour="Tweets negativos")) +
  geom_line(aes(Fecha, Decesos, colour="Decesos")) +
  geom_line(aes(Fecha, Residencia, colour="Residencia")) +
  xlab("Fecha") +
  ylab("COVID-19 en México") +
  labs(colour="Variables")+
  ggtitle("Casos de COVID-19 en México (Fuente: JHU CSSE") +
  transition_reveal(Fecha)

En este gráfico se muestran poco a poco las tendencias de crecimiento de los decesos por covid confirmados. Esta gráfica es la misma que la anterior, la única diferencia es que al ser esta interactiva, se muestra como fue el crecimiento.

Correlación

ggpairs(datosPandemia[, c(2,3,4)], lower = list(continuous ="smooth"),
        diag = list (continuos = "barDiag"), axisLabels = "none")

La siguiente gráfica representa la correlación entre las tres variables, esta correlación mide la relación entre variables continuas. El gráfico presenta la representación de los datos, la correlación y la representación gráfica de esa correlación. Se observa como los los tweets negativos tiene una correlación positiva con decesos y residencia, 0.701 y 0.588 respectivamente. Esto indica que, mientras una variable aumenta, las otras también. Esto puede ser, por el efecto negativo que provocan los decesos y el confinamiento en las personas. Además de la correlación, se puede observar la graficación de esta, la cual es linal. Por otro lado, decesos y residencia están muy correlacionados, con un .943, esto debido a que, cuando los decesos por covid-19 aumentaban, el pánico de la sociedad también, lo que provocaba que las medidas de prevención, tal como quedarse en casa, fueran realizadas por un gran número de personas.

Matriz de correlación entre las variables predictoras

corrplot(cor(dplyr::select(datosPandemia,Decesos,Tweets_negativos,
                          Residencia)), 
        method = "number", tl.col = "black")

En esta gráfica de correlaciones se puede observar que tweets negatigos tiene una correlación positiva con decesos y residencia, es decir, mientras los tweets negativos aumentan, los decesos y la residencia de igual manera aumentan, esto debido a los efectos negativos que provocan los decesos, o bien, el confinamiento generado por las medidas de prevención de la pandemia. Citando una noticia del 27 de Julio del 2020 “Los hombres están siendo más afectados que las mujeres por coronavirus y también las clases bajas respecto a las acomodadas, pero el colectivo que más muertos ha puesto en esta batalla en México es el de las amas de casa, con 9.192 defunciones en lo que va de pandemia. Le sigue el grupo de jubilados y pensionados, con 3.738, una parte de los cuales también son mujeres al cuidado del hogar.”. Tomando en cuenta esto, se puede ver que la residencia tiene mucha correlación positiva con los decesos y esto se debe a que en su mayoría, los decesos fueron de personas mayores, es decir, personas que ya no necesitaban realizar alguna actividad fuera de su casa, sin embargo, al ser el grupo más vulnerable ante la situación, sus muertes si son las que más se contabilizan.