Comparación de modelos estocásticos y de aprendizaje de máquina para el pronóstico de la mortalidad edad-específica por tuberculosis en Colombia
Cargando...
Autores
Director
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
La predicción de las tasas de mortalidad edad-específicas es de gran interés para la identificación de patrones poblacionales y grupos de mayor riesgo, ya que constituye un insumo clave para el diseño de políticas públicas y programas de prevención orientados a la protección del bienestar social. En la literatura existen diversos enfoques metodológicos para abordar este problema, que abarcan tanto modelos estocásticos tradicionales como técnicas de aprendizaje de máquina. En este trabajo se compara el desempeño predictivo de seis modelos —tres estocásticos y tres basados en aprendizaje de máquina— aplicados al estudio de la mortalidad por tuberculosis en Colombia. Este ejercicio se realizó a partir del ajuste de tales modelos a partir de los datos del conjunto de entrenamiento, el análisis del desempeño predictivo en el conjunto de validación fuera de muestra y la evaluación de los sesgos asociados a cada modelo. Asimismo, se discute la explicabilidad de los enfoques considerados, dado que en los estudios demográficos no solo es relevante contar con predicciones puntuales precisas, sino también comprender cómo las distintas variables involucradas en el proceso de modelación influyen sobre la respuesta. Los resultados indican que los modelos de aprendizaje de máquina basados en ensambles presentan las mejores métricas de ajuste y pronóstico, aunque pueden exhibir mayores niveles de sesgo en comparación con los modelos estocásticos. En cuanto a estos últimos, se destaca que alcanzan desempeños adecuados y que, gracias a su naturaleza paramétrica, facilitan la interpretación de la relevancia de las variables explicativas, siendo el grupo etario la más influyente de manera consistente entre los modelos estocásticos analizados. (Texto tomado de la fuente)
Abstract
The prediction of age-specific mortality rates is of considerable interest for identifying population patterns and high-risk groups, as it constitutes a key input for the design of public policies and prevention
programs aimed at safeguarding social well-being. The literature offers a range of methodological approaches to address this problem, encompassing both traditional stochastic models and machine learning
techniques. This study compares the predictive performance of six models—three stochastic and three machine learning–based—applied to the analysis of tuberculosis mortality in Colombia. This exercise
was carried out by fitting the models to the training dataset, analyzing their predictive performance on an out-of-sample validation set, and evaluating the biases associated with each model. In addition, the
explainability of the approaches considered is discussed, since demographic studies require not only accurate point forecasts but also an understanding of how the different variables involved in the odeling
process influence the response. The results indicate that ensemble-based machine learning models achieve the best metrics in terms of both fit and forecasting performance, although they may exhibit higher levels of bias compared to stochastic models. As for the latter, their performance remains adequate and, due to heir parametric nature, they facilitate the interpretation of the relevance of explanatory variables, with age group consistently emerging as the most influential factor across the stochastic models analyzed.
Descripción
Ilustraciones
Palabras clave propuestas
Términos Normalizados
Predicciones; Analisis de series de tiempo; Aprendizaje automático (Inteligencia artificial); Mortalidad; 510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas; 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores; 000 - Ciencias de la computación, información y obras generales::003 - Sistemas; Aprendizaje profundo