INTRODUCCION
En los últimos años el dengue en el departamento del Cauca ha presentado una tendencia de aumento, actualmente en situación de alerta con 192 casos reportados en el transcurso del 2022; cabe resaltar que, durante los años 2020 y 2021, este departamento también estuvo en situación de alerta, ya que su comportamiento epidemiológico superó el límite esperado.
El conjunto de datos a analizar tiene como fin priorizar los barrios en los municipios de Piamonte, Patía y Miranda donde el riesgo por dengue se ha incrementado en el periodo de tiempo (2015-2021) para ello contamos con los siguientes dataset 1) casos de dengue georreferenciados por centroide o geocodificados por la dirección de procedencia del caso con variables como la edad, el sexo, ocupación y pertenencia étnica, 2) muestreo entomológico de adultos realizado en el intradomicilio por primera vez en los municipios de estudio y 3) datos meteorológicos de dos tipos: uno proveniente de estaciones meteorológicas in situ y otro con la información a nivel de cada municipio en formato MSWX.
El objetivo del trabajo será encontrar los barrios(conglomerados) en cada municipio(estrato) haciendo uso de herramientas estadísticas de muestreo, para realizar estimaciones en cuanto a las variables de interes consideradas como la edad, sexo y el nivel de riesgo que tienen los barrios en cada municipio que son considerados como conglomerados de riesgo epidemiológico y entomológico. Un estudio posterior a este sería la elaboración de modelos de predicción para el dengue a escala de barrio y encontrar patrones de comportamientos semejantes a localidades de nuestro país para poder ajustar el modelo a nuestras propias condiciones.
METODOLOGIA
Paquetes y funciones de R
library(pacman)
p_load(TeachingSampling, dplyr, ggplot2, tidyverse)Lectura de datos
datos_dengue <- read.csv('cases_clean.csv')Lista de variables
summary(datos_dengue)## OBJECTID Loc_name Longitud Latitud
## Min. : 0.00 Length:573 Min. :-77.16 Min. :0.9841
## 1st Qu.: 38.00 Class :character 1st Qu.:-76.98 1st Qu.:1.1194
## Median : 86.00 Mode :character Median :-76.33 Median :2.1127
## Mean : 86.69 Mean :-76.54 Mean :2.1292
## 3rd Qu.:133.00 3rd Qu.:-76.23 3rd Qu.:3.2489
## Max. :189.00 Max. :-76.13 Max. :3.2701
## Proceso Match_addr Barrio_OSM Sexo
## Length:573 Length:573 Length:573 Length:573
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Edad Ocupación Pertenencia.etnica fec_consulta
## Min. : 1.00 Min. : 110 Min. :1.000 Length:573
## 1st Qu.:11.00 1st Qu.:9996 1st Qu.:6.000 Class :character
## Median :19.00 Median :9997 Median :6.000 Mode :character
## Mean :24.81 Mean :9053 Mean :5.716
## 3rd Qu.:34.00 3rd Qu.:9997 3rd Qu.:6.000
## Max. :89.00 Max. :9999 Max. :6.000
## ini_sintomas locationID county
## Length:573 Length:573 Length:573
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
## datos_dengue$county |> unique()## [1] "Piamonte" "Patía" "Miranda"LIMPIEZA
sapply(datos_dengue, function(x) sum(is.na(x)))## OBJECTID Loc_name Longitud Latitud
## 0 0 0 0
## Proceso Match_addr Barrio_OSM Sexo
## 0 0 0 0
## Edad Ocupación Pertenencia.etnica fec_consulta
## 0 0 0 0
## ini_sintomas locationID county
## 0 0 0#No existe valores perdidos en la dataPREPROCESAMIENTO
#Transformando a Factor
county_num <- factor(datos_dengue$county,
levels=c("Piamonte","Patía","Miranda"),
labels=c("1","2","3"))
#Transformando a numérico
county_num <- as.integer(county_num)
#Agregando columna
datos_dengue<-cbind(datos_dengue,county_num) ANALISIS EXPLORATORIO
#Agrupando los casos por barrios
Nueva_tabla <- datos_dengue %>% group_by(Barrio_OSM) %>%
summarize(casos = n() , ciudad = round(mean(county_num),0) )#Pasando a mayúscula todas las columnas
Nueva_tabla <- mutate_if(Nueva_tabla, is.character, toupper)
#Agrupando los barrios con mismo nombre
Nueva_tabla <- Nueva_tabla %>% group_by(Barrio_OSM) %>%
summarize(casos = sum(casos) , ciudad = round(mean(ciudad),0) )
#Eliminando la variable de la primera fila que falto agregar nombre del barrio
Nueva_tabla <- Nueva_tabla[-1,]#Pasando todos los datos caracteres a mayúsculas para normalizarlos
datos_dengue_ <- mutate_if(datos_dengue, is.character, toupper)#Transformando barrio de nominal a ordinal
levels <- as.vector(Nueva_tabla$Barrio_OSM)
datos_dengue_ <- datos_dengue_ |>
mutate(Barrio_OSM_num = match(Barrio_OSM, levels))
#Con match() obtenemos el índice del vector levels del valor que se corresponde con cada valor de Barrio_OSM_num. RESULTADOS LIMPIEZA/PREPROCESAMIENTO
#Tabla de frecuencia de numero de casos por barrio
Nueva_tabla## # A tibble: 92 × 3
## Barrio_OSM casos ciudad
## <chr> <int> <dbl>
## 1 " LA CASTELLANA" 2 3
## 2 " LA FONDA" 2 2
## 3 "ALTILLO" 4 2
## 4 "ÁNGULO" 1 2
## 5 "ARUBA Y CURAZAO" 3 2
## 6 "BALBOITA" 7 2
## 7 "BARRIO HOSPITAL" 3 2
## 8 "BETANIA" 1 2
## 9 "BR EL ROSARIO" 11 3
## 10 "BRASILIA" 2 1
## # … with 82 more rows
## # ℹ Use `print(n = ...)` to see more rows#Tabla de data set preprocesado: datos_dengue_Agregando columna nivel de riesgo de los barrios segun la cantidad de casos
#BRE: Bajo Riesgo Entomologico (De 0 hasta Q1 casos)
Q1 <- quantile(Nueva_tabla$casos, c(0.25), type = 6); Q1## 25%
## 1Nueva_tabla_Q1 <- Nueva_tabla |> filter(casos<=Q1) |> select(Barrio_OSM)
levels_Q1 <- as.vector(Nueva_tabla_Q1$Barrio_OSM)
datos_dengue_BRE <- datos_dengue_[datos_dengue_$Barrio_OSM %in% levels_Q1, ]
datos_dengue_BRE <- datos_dengue_BRE |> mutate(nivel_riesgo = 1) #Bajo = 1
nrow(datos_dengue_BRE)## [1] 33#ARE: Alto Riesgo Entomologico (De Q3 a mas casos)
Q3 <- quantile(Nueva_tabla$casos, c(0.75), type = 6); Q3## 75%
## 6Nueva_tabla_Q3 <- Nueva_tabla |> filter(casos>Q3) |> select(Barrio_OSM)
levels_Q3 <- as.vector(Nueva_tabla_Q3$Barrio_OSM)
datos_dengue_ARE <- datos_dengue_[datos_dengue_$Barrio_OSM %in% levels_Q3, ]
datos_dengue_ARE <- datos_dengue_ARE |> mutate(nivel_riesgo = 3) #Bajo = 3
nrow(datos_dengue_ARE)## [1] 403#MRE: Riesgo Medio Entomologico (Q1 hasta Q3 casos)
Nueva_tabla_Q1_Q3 <- Nueva_tabla |> filter(casos>Q1 & casos<=Q3) |> select(Barrio_OSM)
levels_Q1_Q3 <- as.vector(Nueva_tabla_Q1_Q3$Barrio_OSM)
datos_dengue_MRE <- datos_dengue_[datos_dengue_$Barrio_OSM %in% levels_Q1_Q3, ]
datos_dengue_MRE <- datos_dengue_MRE |> mutate(nivel_riesgo = 2) #Medio = 2
nrow(datos_dengue_MRE)## [1] 136#cantidad de Barrios con bajo riesgo entomologico
datos_dengue_BRE|> filter(county_num==1) |> select(Barrio_OSM_num) |> unique()|> nrow()## [1] 8datos_dengue_BRE|> filter(county_num==2) |> select(Barrio_OSM_num) |> unique()|> nrow()## [1] 22datos_dengue_BRE|> filter(county_num==3) |> select(Barrio_OSM_num) |> unique()|> nrow()## [1] 3#cantidad de Barrios con medio riesgo entomologico
datos_dengue_MRE|> filter(county_num==1) |> select(Barrio_OSM_num) |> unique()|> nrow()## [1] 6datos_dengue_MRE|> filter(county_num==2) |> select(Barrio_OSM_num) |> unique()|> nrow()## [1] 23datos_dengue_MRE|> filter(county_num==3) |> select(Barrio_OSM_num) |> unique()|> nrow()## [1] 8#cantidad de Barrios con alto riesgo entomologico
datos_dengue_ARE|> filter(county_num==1) |> select(Barrio_OSM_num) |> unique()|> nrow()## [1] 4datos_dengue_ARE|> filter(county_num==2) |> select(Barrio_OSM_num) |> unique()|> nrow()## [1] 10datos_dengue_ARE|> filter(county_num==3) |> select(Barrio_OSM_num) |> unique()|> nrow()## [1] 12#Tabla final con el campo nivel de riesgo
datos_dengue_final <- rbind(datos_dengue_BRE,datos_dengue_MRE,datos_dengue_ARE)library(openxlsx)
write.xlsx(datos_dengue_final, "datos_dengue_final.xlsx")SELECCION DE MUESTRA
Tamaño de muestra
#Población de los municipios departamento de Cauca
# Piamonte = 7379
# Patia = 36544
# Miranda = 40455
N_ = 7379 + 36544 + 40455
# proporción de éxito de casos dengue
x= 572
p=x/N_
q = 1-p
Z = qnorm(0.975)
e=0.01
nI = N_*Z**2*p*q/(e**2*(N_-1)+Z**2*p*q)
nI = round(nI,0)
#nI
#Población objetivo de casos dengue georeferenciados en cada municipio:
N1 = 190 #Piamonte
N2 = 207 #Paita
N3 = 175 #Miramda
# Tamaño de muestra para cada estrato Afijacion proporcional
n1 = round(nI*N1/(N1+N2+N3),0)
n2 = round(nI*N2/(N1+N2+N3),0)
n3 = round(nI*N3/(N1+N2+N3),0)
c(n1, n2, n3)## [1] 86 93 79Eleccion muestra estrato 1: MAS
UI=1:190
set.seed(22)
sam=S.SI(N1,n1)
muestra_1=UI[sam]
datos_dengue_1 <- datos_dengue_final |> filter(county_num==1)
datos_dengue_1 <- datos_dengue_1[muestra_1,]Eleccion muestra estrato 2: MAS
UI=1:207
set.seed(23)
sam=S.SI(N2,n2)
muestra_2=UI[sam]
datos_dengue_2 <- datos_dengue_final |> filter(county_num==2)
datos_dengue_2 <- datos_dengue_2[muestra_2,]Eleccion muestra estrato 3: MAS
UI=1:175
set.seed(24)
sam=S.SI(N3,n3)
muestra_3=UI[sam]
datos_dengue_3 <- datos_dengue_final |> filter(county_num==3)
datos_dengue_3 <- datos_dengue_3[muestra_3,]Tamaño de muestra de conglomerados de cada estrato
datos_dengue_1$Barrio_OSM |> unique() |> length() #11 Conglomerados (Barrios)## [1] 11datos_dengue_2$Barrio_OSM |> unique() |> length() #37 Conglomerados (Barrios)## [1] 37datos_dengue_3$Barrio_OSM |> unique() |> length() #22 Conglomerados (Barrios)## [1] 22ESTIMACIONES
Conglomeradados dentro del Municipio 1: PIAMONTE
library(TeachingSampling)
UI= as.vector(datos_dengue_1$Barrio_OSM_num|> unique())
NI=11 # Conglomerados total del estrato
nI=10 # muestra de conglomerados
N=nrow(datos_dengue_1) # Muestra del estrato
N## [1] 86Mi=table(datos_dengue_1$Barrio_OSM_num);Mi##
## 10 13 25 34 49 50 57 67 82 86 89
## 1 16 2 23 7 2 3 2 1 1 28M =sum(Mi)/NI;M #En promedio hay 8 casos dengue por barrio(conglomerado)## [1] 7.818182#Muestreo aleatorio simple sin reemplazo, elección conglomerados
set.seed(22)
sam=S.SI(NI,nI)
muestra=UI[sam];muestra #Elección## [1] 86 67 25 82 57 10 49 89 13 34Dengue_1=datos_dengue_1[which(datos_dengue_1$Barrio_OSM_num==muestra[1]),]
Dengue_2=datos_dengue_1[which(datos_dengue_1$Barrio_OSM_num==muestra[2]),]
Dengue_3=datos_dengue_1[which(datos_dengue_1$Barrio_OSM_num==muestra[3]),]
Dengue_4=datos_dengue_1[which(datos_dengue_1$Barrio_OSM_num==muestra[4]),]
Dengue_5=datos_dengue_1[which(datos_dengue_1$Barrio_OSM_num==muestra[5]),]
Dengue_6=datos_dengue_1[which(datos_dengue_1$Barrio_OSM_num==muestra[6]),]
Dengue_7=datos_dengue_1[which(datos_dengue_1$Barrio_OSM_num==muestra[7]),]
Dengue_8=datos_dengue_1[which(datos_dengue_1$Barrio_OSM_num==muestra[8]),]
Dengue_9=datos_dengue_1[which(datos_dengue_1$Barrio_OSM_num==muestra[9]),]
Dengue_10=datos_dengue_1[which(datos_dengue_1$Barrio_OSM_num==muestra[10]),]
#total de datos de los conglomerados seleccionados
Dengue_muestra_1=rbind(Dengue_1,Dengue_2,Dengue_3,Dengue_4,Dengue_5,Dengue_6,
Dengue_7,Dengue_8,Dengue_9,Dengue_10)
head(Dengue_muestra_1)## OBJECTID Loc_name Longitud Latitud Proceso
## 1 114 VEREDA TROJAYACO -76.27317 0.984080 GEORREFERENCIADO
## 9 188 CENTRO POBLADO PIAMONTE -76.32567 1.117098 GEORREFERENCIADO
## 20 189 CENTRO POBLADO PIAMONTE -76.32567 1.117098 GEORREFERENCIADO
## 15 108 VEREDA EL MORRO -76.27202 1.057713 GEORREFERENCIADO
## 21 109 VEREDA EL MORRO -76.27202 1.057713 GEORREFERENCIADO
## 16 103 VEREDA SAN ISIDRO -76.38227 1.123567 GEORREFERENCIADO
## Match_addr Barrio_OSM Sexo Edad Ocupación Pertenencia.etnica
## 1 NOMBRE DEL CENTRO POBLADO TROJAYACO M 40 6112 1
## 9 NOMBRE DEL BARRIO PIAMONTE F 16 9999 6
## 20 NOMBRE DEL BARRIO PIAMONTE F 54 9996 6
## 15 NOMBRE DEL CENTRO POBLADO EL MORRO F 46 9999 6
## 21 NOMBRE DEL CENTRO POBLADO EL MORRO M 13 9997 6
## 16 NOMBRE DEL CENTRO POBLADO SAN ISIDRO M 14 9997 6
## fec_consulta ini_sintomas locationID county county_num
## 1 2016-01-10 00:00:00 2016-01-07 00:00:00 CO:19533 PIAMONTE 1
## 9 2018-02-21 00:00:00 2018-02-19 00:00:00 CO:19533 PIAMONTE 1
## 20 2019-11-12 00:00:00 2019-11-06 00:00:00 CO:19533 PIAMONTE 1
## 15 2018-04-04 00:00:00 2018-04-02 00:00:00 CO:19533 PIAMONTE 1
## 21 2019-11-26 00:00:00 2019-11-25 00:00:00 CO:19533 PIAMONTE 1
## 16 2018-04-12 00:00:00 2018-04-09 00:00:00 CO:19533 PIAMONTE 1
## Barrio_OSM_num nivel_riesgo
## 1 86 1
## 9 67 2
## 20 67 2
## 15 25 2
## 21 25 2
## 16 82 2ESTIMACION: MUNICIPIO PIAMONTE
library(openxlsx)
write.xlsx(Dengue_muestra_1, "Dengue_muestra_1.xlsx")#Estimación del promedio edad
#----------------------------
barrio=as.factor(as.integer(Dengue_muestra_1$Barrio_OSM_num))
#muestreo por conglomerado barrios
y =T.SIC(Dengue_muestra_1$Edad,barrio);
#y
res1=E.SI(NI,nI,y)
res1 <-res1/N
#res1
LI =res1[1,3]-qnorm(1-0.05/2)*res1[2,3]
LS =res1[1,3]+qnorm(1-0.05/2)*res1[2,3]
c(LI,LS)## [1] 20.23710 31.56522#Estimación de la edad de las personas sexo masculino
#-----------------------------------------------------
Dominios<-Domains(Dengue_muestra_1$Sexo)
masculino<-Dominios[,2]*Dengue_muestra_1$Edad
y1<-T.SIC(masculino, barrio)
res_1<-E.SI(NI,nI,y1)/sum(Dominios[,2])
LI1 =res_1[1,3]-qnorm(1-0.05/2)*res_1[2,3]
LS1 =res_1[1,3]+qnorm(1-0.05/2)*res_1[2,3]
c(LI1,LS1)## [1] 20.36819 33.02640#Estimación de la edad de las personas sexo femenino
#-----------------------------------------------------
Dominios<-Domains(Dengue_muestra_1$Sexo)
femenino<-Dominios[,1]*Dengue_muestra_1$Edad
y1<-T.SIC(femenino, barrio)
res_1<-E.SI(NI,nI,y1)/sum(Dominios[,1])
LI1 =res_1[1,3]-qnorm(1-0.05/2)*res_1[2,3]
LS1 =res_1[1,3]+qnorm(1-0.05/2)*res_1[2,3]
c(LI1,LS1)## [1] 20.63120 32.12199#Estimación de la edad de las personas con riesgo alto
#-----------------------------------------------------
Dominios<-Domains(Dengue_muestra_1$nivel_riesgo)
nivel_alto<-Dominios[,3]*Dengue_muestra_1$Edad
y1<-T.SIC(nivel_alto, barrio)
res_1<-E.SI(NI,nI,y1)/N
LI1 =res_1[1,3]-qnorm(1-0.05/2)*res_1[2,3]
LS1 =res_1[1,3]+qnorm(1-0.05/2)*res_1[2,3]
c(LI1,LS1)## [1] 15.98690 28.32008anva=anova(lm(Dengue_muestra_1$Edad~as.factor(Dengue_muestra_1$Barrio_OSM_num)))
res2=anva
rho= 1-(M/(M-1))*(res2[2,2]/(res2[1,2]+res2[2,2]))
rho## [1] -0.08051136eff =1+(M-1)*rho
eff## [1] 0.4510589Conglomeradados dentro del Municipio 2: Patia
library(TeachingSampling)
UI= as.vector(datos_dengue_2$Barrio_OSM_num|> unique())
NI=37 # Conglomerados total del estrato
nI=10 # muestra de conglomerados
N=nrow(datos_dengue_2) # Muestra del estrato
N## [1] 93Mi=table(datos_dengue_2$Barrio_OSM_num);Mi##
## 3 5 6 7 11 12 13 15 17 18 20 21 23 26 32 33 34 35 36 38 39 45 51 55 56 59
## 1 2 1 1 2 4 7 1 1 1 7 1 3 2 1 2 3 1 1 2 1 2 2 8 2 1
## 61 63 64 65 68 72 75 76 78 88 91
## 1 11 3 2 3 2 4 1 2 2 2#Promedio de los Mi #
M =sum(Mi)/NI;M #En promedio hay 3 casos dengue por barrio(conglomerado)## [1] 2.513514#Muestreo aleatorio simple sin reemplazo, elección conglomerados
set.seed(23)
sam=S.SI(NI,nI)
muestra=UI[sam];muestra #Elección## [1] 32 64 11 38 3 63 68 6 13 75Dengue_1=datos_dengue_2[which(datos_dengue_2$Barrio_OSM_num==muestra[1]),]
Dengue_2=datos_dengue_2[which(datos_dengue_2$Barrio_OSM_num==muestra[2]),]
Dengue_3=datos_dengue_2[which(datos_dengue_2$Barrio_OSM_num==muestra[3]),]
Dengue_4=datos_dengue_2[which(datos_dengue_2$Barrio_OSM_num==muestra[4]),]
Dengue_5=datos_dengue_2[which(datos_dengue_2$Barrio_OSM_num==muestra[5]),]
Dengue_6=datos_dengue_2[which(datos_dengue_2$Barrio_OSM_num==muestra[6]),]
Dengue_7=datos_dengue_2[which(datos_dengue_2$Barrio_OSM_num==muestra[7]),]
Dengue_8=datos_dengue_2[which(datos_dengue_2$Barrio_OSM_num==muestra[8]),]
Dengue_9=datos_dengue_2[which(datos_dengue_2$Barrio_OSM_num==muestra[9]),]
Dengue_10=datos_dengue_2[which(datos_dengue_2$Barrio_OSM_num==muestra[10]),]
#total de datos de los conglomerados seleccionados
Dengue_muestra_2=rbind(Dengue_1,Dengue_2,Dengue_3,Dengue_4,Dengue_5,Dengue_6,
Dengue_7,Dengue_8,Dengue_9,Dengue_10)
head(Dengue_muestra_2)## OBJECTID Loc_name Longitud Latitud Proceso
## 3 70 VEREDA EL TUNO -77.04886 2.020125 GEORREFERENCIADO
## 35 64 PABLO VI -76.98885 2.112244 GEORREFERENCIADO
## 61 65 PABLO VI -76.98885 2.112244 GEORREFERENCIADO
## 82 62 PABLO VI -76.98885 2.112244 GEORREFERENCIADO
## 43 110 CENTRO POBLADO BRISAS -77.06070 2.280627 GEORREFERENCIADO
## 62 109 CENTRO POBLADO BRISAS -77.06070 2.280627 GEORREFERENCIADO
## Match_addr Barrio_OSM Sexo Edad Ocupación Pertenencia.etnica
## 3 NOMBRE DEL CENTRO POBLADO EL TUNO F 7 9997 6
## 35 NOMBRE DEL BARRIO PABLO VI F 22 9996 5
## 61 NOMBRE DEL BARRIO PABLO VI M 16 9997 5
## 82 NOMBRE DEL BARRIO PABLO VI F 8 9997 6
## 43 NOMBRE DEL CENTRO POBLADO BRISAS M 30 6111 6
## 62 NOMBRE DEL CENTRO POBLADO BRISAS M 24 9999 6
## fec_consulta ini_sintomas locationID county county_num
## 3 2016-02-01 00:00:00 2016-01-28 00:00:00 CO:19532 PATÍA 2
## 35 2016-02-19 00:00:00 2016-02-16 00:00:00 CO:19532 PATÍA 2
## 61 2016-02-19 00:00:00 2016-02-16 00:00:00 CO:19532 PATÍA 2
## 82 2015-12-07 00:00:00 2015-12-06 00:00:00 CO:19532 PATÍA 2
## 43 2019-01-21 00:00:00 2019-01-16 00:00:00 CO:19532 PATÍA 2
## 62 2017-05-16 00:00:00 2017-05-16 00:00:00 CO:19532 PATÍA 2
## Barrio_OSM_num nivel_riesgo
## 3 32 1
## 35 64 2
## 61 64 2
## 82 64 2
## 43 11 2
## 62 11 2ESTIMACION: MUNICIPIO PATIA
#Estimación del promedio edad
#----------------------------
barrio=as.factor(as.integer(Dengue_muestra_2$Barrio_OSM_num))
#muestreo por conglomerado barrio
y =T.SIC(Dengue_muestra_2$Edad,barrio);
#y
res1=E.SI(NI,nI,y)
res1 <-res1/N
#res1
LI =res1[1,3]-qnorm(1-0.05/2)*res1[2,3]
LS =res1[1,3]+qnorm(1-0.05/2)*res1[2,3]
c(LI,LS)## [1] 13.40404 37.99811#Estimación de la edad de las personas sexo masculino
#-----------------------------------------------------
Dominios<-Domains(Dengue_muestra_2$Sexo)
masculino<-Dominios[,2]*Dengue_muestra_2$Edad
y1<-T.SIC(masculino, barrio)
res_1<-E.SI(NI,nI,y1)/N
LI1 =res_1[1,3]-qnorm(1-0.05/2)*res_1[2,3]
LS1 =res_1[1,3]+qnorm(1-0.05/2)*res_1[2,3]
c(LI1,LS1)## [1] 8.07063 25.90571#Estimación de la edad de las personas sexo femenino
#-----------------------------------------------------
Dominios<-Domains(Dengue_muestra_2$Sexo)
femenino<-Dominios[,1]*Dengue_muestra_2$Edad
y1<-T.SIC(femenino, barrio)
res_1<-E.SI(NI,nI,y1)/N
LI1 =res_1[1,3]-qnorm(1-0.05/2)*res_1[2,3]
LS1 =res_1[1,3]+qnorm(1-0.05/2)*res_1[2,3]
c(LI1,LS1)## [1] 3.96893 13.45688#Estimación de la edad de las personas con riesgo alto
#------------------------------------------------------
Dominios<-Domains(Dengue_muestra_2$nivel_riesgo)
nivel_alto<-Dominios[,3]*Dengue_muestra_2$Edad
y1<-T.SIC(nivel_alto, barrio)
res_1<-E.SI(NI,nI,y1)/N
LI1 =res_1[1,3]-qnorm(1-0.05/2)*res_1[2,3]
LS1 =res_1[1,3]+qnorm(1-0.05/2)*res_1[2,3]
c(LI1,LS1)## [1] 5.100143 33.889104# Correlación y Efecto diseño
anva=anova(lm(Dengue_muestra_2$Edad~as.factor(Dengue_muestra_2$Barrio_OSM_num)))
res2=anva
rho= 1-(M/(M-1))*(res2[2,2]/(res2[1,2]+res2[2,2]))
rho## [1] -0.1713238eff =1+(M-1)*rho
eff## [1] 0.7406991Conglomeradados dentro del Municipio 3: MIRANDA
library(TeachingSampling)
UI= as.vector(datos_dengue_3$Barrio_OSM_num|> unique())
NI=22 # Conglomerados totales del estrato
nI=10 # muestra de conglomerados
N=nrow(datos_dengue_3) #Muestra del estrato
N## [1] 79Mi=table(datos_dengue_3$Barrio_OSM_num);Mi##
## 1 9 13 16 19 27 30 31 40 41 42 43 44 54 60 69 73 74 80 81 84 87
## 1 4 8 4 2 3 6 2 5 2 8 1 5 5 1 2 2 1 1 10 2 4#Promedio de los Mi #
M =sum(Mi)/NI;M #En promedio hay 4 casos dengue por barrio(conglomerado)## [1] 3.590909#Muestreo aleatorio simple sin reemplazo, elección conglomerados
set.seed(25)
sam=S.SI(NI,nI)
muestra=UI[sam];muestra #Elección## [1] 74 31 19 60 73 84 13 54 16 27Dengue_1=datos_dengue_3[which(datos_dengue_3$Barrio_OSM_num==muestra[1]),]
Dengue_2=datos_dengue_3[which(datos_dengue_3$Barrio_OSM_num==muestra[2]),]
Dengue_3=datos_dengue_3[which(datos_dengue_3$Barrio_OSM_num==muestra[3]),]
Dengue_4=datos_dengue_3[which(datos_dengue_3$Barrio_OSM_num==muestra[4]),]
Dengue_5=datos_dengue_3[which(datos_dengue_3$Barrio_OSM_num==muestra[5]),]
Dengue_6=datos_dengue_3[which(datos_dengue_3$Barrio_OSM_num==muestra[6]),]
Dengue_7=datos_dengue_3[which(datos_dengue_3$Barrio_OSM_num==muestra[7]),]
Dengue_8=datos_dengue_3[which(datos_dengue_3$Barrio_OSM_num==muestra[8]),]
Dengue_9=datos_dengue_3[which(datos_dengue_3$Barrio_OSM_num==muestra[9]),]
Dengue_10=datos_dengue_3[which(datos_dengue_3$Barrio_OSM_num==muestra[10]),]
#total de datos de los conglomerados seleccionados
Dengue_muestra_3=rbind(Dengue_1,Dengue_2,Dengue_3,Dengue_4,Dengue_5,Dengue_6,
Dengue_7,Dengue_8,Dengue_9,Dengue_10)
head(Dengue_muestra_3)## OBJECTID Loc_name Longitud Latitud
## 1 174 CRA 11 11-22 -76.23261 3.254571
## 7 148 CRA 9 4-25 -76.23158 3.249390
## 12 169 CALLE 5 KRA 8A ESQUINA BARRIO EL TRIUNFO -76.23098 3.250101
## 15 62 C 19 # 6 - 73, EL ESPEJUELO -76.22493 3.266030
## 18 117 CARRERA 5 NUM 19-70 ESPEJUELO -76.22459 3.265994
## 21 47 CRA 4 # 1-18 MIRALINDO -76.22841 3.246279
## Proceso Match_addr Barrio_OSM Sexo Edad Ocupación
## 1 GEOCODIFICACIÓN NOMBRE DEL BARRIO PORVENIR F 2 9999
## 7 GEOCODIFICACIÓN NOMBRE DEL BARRIO EL TRIUNFO M 6 9997
## 12 GEOCODIFICACIÓN NOMBRE DEL BARRIO EL TRIUNFO M 7 9997
## 15 GEOCODIFICACIÓN NOMBRE DEL BARRIO EL ESPEJUELO F 16 9997
## 18 GEORREFERENCIADO NOMBRE DEL BARRIO EL ESPEJUELO M 10 9997
## 21 GEOCODIFICACIÓN NOMBRE DEL BARRIO MIRALINDO F 18 9999
## Pertenencia.etnica fec_consulta ini_sintomas locationID
## 1 6 2020-06-17 00:00:00 2020-06-14 00:00:00 CO:19455
## 7 6 2020-06-10 00:00:00 2020-06-06 00:00:00 CO:19455
## 12 6 2020-11-23 00:00:00 2020-11-23 00:00:00 CO:19455
## 15 5 2016-05-09 00:00:00 2016-05-07 00:00:00 CO:19455
## 18 6 2019-08-22 00:00:00 2019-08-16 00:00:00 CO:19455
## 21 6 2016-04-30 00:00:00 2016-04-25 00:00:00 CO:19455
## county county_num Barrio_OSM_num nivel_riesgo
## 1 MIRANDA 3 74 1
## 7 MIRANDA 3 31 2
## 12 MIRANDA 3 31 2
## 15 MIRANDA 3 19 2
## 18 MIRANDA 3 19 2
## 21 MIRANDA 3 60 2ESTIMACION: MUNICIPIO MIRANDA
#Estimación del promedio edad
#----------------------------
barrio=as.factor(as.integer(Dengue_muestra_3$Barrio_OSM_num))
#muestreo por conglomerado barrio
y =T.SIC(Dengue_muestra_3$Edad,barrio);
#y
res1=E.SI(NI,nI,y)
res1 <-res1/N
#res1
LI =res1[1,3]-qnorm(1-0.05/2)*res1[2,3]
LS =res1[1,3]+qnorm(1-0.05/2)*res1[2,3]
c(LI,LS)## [1] 9.209498 27.438604#Estimación de la edad de las personas sexo masculino
#-----------------------------------------------------
Dominios<-Domains(Dengue_muestra_3$Sexo)
masculino<-Dominios[,2]*Dengue_muestra_3$Edad
y1<-T.SIC(masculino, barrio)
res_1<-E.SI(NI,nI,y1)/N
LI1 =res_1[1,3]-qnorm(1-0.05/2)*res_1[2,3]
LS1 =res_1[1,3]+qnorm(1-0.05/2)*res_1[2,3]
c(LI1,LS1)## [1] 3.616509 11.365769#Estimación de la edad de las personas sexo Femenino
#---------------------------------------------------
Dominios<-Domains(Dengue_muestra_3$Sexo)
femenino<-Dominios[,1]*Dengue_muestra_3$Edad
y1<-T.SIC(femenino, barrio)
res_1<-E.SI(NI,nI,y1)/N
LI1 =res_1[1,3]-qnorm(1-0.05/2)*res_1[2,3]
LS1 =res_1[1,3]+qnorm(1-0.05/2)*res_1[2,3]
c(LI1,LS1)## [1] 3.459338 18.206485#Estimación de la edad de las personas con riesgo alto
#-----------------------------------------------------
Dominios<-Domains(Dengue_muestra_3$nivel_riesgo)
nivel_alto<-Dominios[,3]*Dengue_muestra_3$Edad
y1<-T.SIC(nivel_alto, barrio)
res_1<-E.SI(NI,nI,y1)/N
LI1 =res_1[1,3]-qnorm(1-0.05/2)*res_1[2,3]
LS1 =res_1[1,3]+qnorm(1-0.05/2)*res_1[2,3]
c(LI1,LS1)## [1] 3.119865 23.391527# Correlación y Efecto diseño
anva=anova(lm(Dengue_muestra_3$Edad~as.factor(Dengue_muestra_3$Barrio_OSM_num)))
res2=anva
rho= 1-(M/(M-1))*(res2[2,2]/(res2[1,2]+res2[2,2]))
rho## [1] 0.2141739eff =1+(M-1)*rho
eff## [1] 1.554905Tabla Resumen Final
CONCLUSIONES
- Para la inclusión de la variable nivel de riesgo en nuestro estudio
solo nos basamos en el número de casos presentes en la estratificación
que venía con el dataset, y no analizamos variables demográficas,
socioeconómicas, climatológicas y entomológicas, que se entiende son
determinantes del aumento o disminución de las tasas de incidencia en
los barrios del municipio. Para analizar la carga de dengue que
presentan los municipios de alto, medio o bajo riesgo nos basamos en un
estudio entomológico sobre la malaria el cual dividían la población
basadas en los cuantiles Q1 y Q3 para dividir la cantidad total de casos
en 3 segmentos, ya que sus tratamiento son semejantes a nivel
entomológico.
- De los resultados de la última tabla se tiene que existe una mayor
cantidad de barrios en Miranda (12) con ARE seguido por Patía (10) y con
una menor cantidad en Piamonte (4). A pesar que existe una mayor
cantidad de barrios con ARE en Miranda (12) estos tienen un menor número
de casos concentrados en barrios (143/12 ≈12) en comparación con
Piamonte (4) que una menor cantidad barrios, pero con una mayor cantidad
de casos (160/4 ≈ 40), esto es traducible a que tienen un mayor foco
infeccioso de 40 casos en sus barrios de ARE y deberían priorizar el
apoyo a Piamonte. Seguido debería ser prioridad Patía ya que su tasa es
de (100/3 ≈ 33) aproximadamente 33 casos por barrio de ARE y por último
Miranda con 12 como se mencionó al inicio. La misma analogía es
interpretable para los barrios de BRE y MRE, pero en nuestro análisis
nos enfocamos en los barrios de prioridad con categoría ARE para sus
medidas posteriores.
- De las estimaciones intervalares se puede observar a grandes rasgos
que en el municipio de Miranda hay mayor presencia de casos de menores
de edad debido a su LIC al 95%, seguido de Patía y no se observa tanta
presencia de menores en Piamonte, con esto es posible segmentar mayor
apoyo médico pediátrico a estos 2 municipios con presencia de casos
dengue en Menores. Revisando el dominio con nivel ARE se puede observar
que las edades guardan el mismo patrón antes mencionado, es decir
población de riesgo alto con minoría de edad en Miranda luego un
intervalo en la edad de mayor margen en Patía y uno de menor margen en
Piamonte. A nivel de la correlación intraconglomerados analizados en
cada municipio se observa que en Piamonte y Patía resultó más preciso
realizar el muestreo de conglomerados mientras que en Miranda es más
preciso utilizar MAS.
- Algunas recomendaciones finales, es importante el saneamiento básico o la calidad de agua; el empleo de mapas en salud ya que proporciona una imagen más precisa de la distribución espacial de las enfermedades, mediante su uso es posible conocer el patrón de distribución geográfica de un suceso y dar posibles explicaciones sobre la expansión del Dengue en el departamento de Cauca. Para diseñar mejores herramientas de control es necesario profundizar en la dinámica de la enfermedad del dengue y su relación con variables espaciales y otros determinantes de la salud que contribuyan a la comprensión del fenómeno y faciliten la planeación de estrategias para la vigilancia y el control de la enfermedad.
BIBLIOGRAFIA
➢ Aguilera, Q. J. A. (s. f.). Diferentes enfoques para la estratificación epidemiológica del dengue. Scielo. Recuperado 14 de agosto de 2022, de http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1025-02552012000100014
➢ Gutiérrez Rojas, H. A. (2016). Estrategias de Muestreo - Diseño de encuestas y estimación de parámetros. Ediciones de la U - Carrera.
➢ L. Lohr, S. (2000). Muestreo: Diseño y análisis. International Thomson Editores.
➢ Manual de estratificación según el riesgo de malaria y eliminación de focos de transmisión. (2019, 1 mayo). Región de las Américas. Recuperado 14 de agosto de 2022, de https://www3.paho.org/hq/index.php?option=com_docman&view=download&slug=malaria-technical-advisory-group-session-8-2019-only-in-spanish&Itemid=270&lang=en
➢ Pérez López, C. (2005). Muestreo estadístico: conceptos y problemas resueltos. Pearson Education.
➢ S. (2022, 26 julio). Alerta en el Valle del Cauca ante el aumento de casos de dengue. Noticias de Colombia y el Mundo. Recuperado 14 de agosto de 2022, de https://www.semana.com/nacion/articulo/alerta-en-el-valle-del-cauca-ante-el-aumento-de-casos-de-dengue/202249/
➢ Stratification of Dengue in Cauca - Colombia. (2022, 31 julio). Kaggle. Recuperado 14 de agosto de 2022, de https://www.kaggle.com/datasets/davidrestrepo/stratification-of-dengue-in-cauca-colombia
➢ Técnicas de limpieza y calidad de datos. (2021, 8 mayo). RPubs. Recuperado 14 de agosto de 2022, de https://www.rpubs.com/KarenPCalva/TecnicasLimpiezaCalidadDatosSEE#:%7E:text=R%20como%20herramienta%20para%20limpiar,de%20aprender%20y%20bien%20documentado.