Ir al contenido
urg-forecast

Referencias

Cada decisión de método del proyecto se apoya en literatura revisada por pares o en una fuente oficial. Debajo de cada referencia está dónde se usa. Las citas y los DOI se verificaron en noviembre de 2026 en PubMed, en las páginas de las revistas o en índices bibliográficos (RePEc, JSTOR).

Lo que no está aquí son resultados propios, medidos con los datos del DEIS y documentados con su fecha: la comparación de modelos (Por qué estos modelos), la de regresores (Regresores), la de combinar o elegir un modelo y la de ventanas del backtest (Modelos). Son resultados, no literatura, y se pueden reproducir con los comandos de cada página.

Pronosticar la demanda de urgencias

Sección titulada «Pronosticar la demanda de urgencias»
  • Wargon M, Guidet B, Hoang TD, Hejblum G. A systematic review of models for forecasting the number of emergency department visits. Emerg Med J. 2009;26(6):395–399. doi:10.1136/emj.2008.062380 — Punto de partida: los modelos revisados eran regresiones con variables de calendario o series de tiempo, y agregar datos meteorológicos no los mejoró. Por eso los modelos del paquete son simples y cada variable externa debe demostrar que ayuda.
  • Jones SS, Thomas A, Evans RS, Welch SJ, Haug PJ, Snow GL. Forecasting daily patient volumes in the emergency department. Acad Emerg Med. 2008;15(2):159–170. doi:10.1111/j.1553-2712.2007.00032.x — Recomienda regresiones con variables de calendario, efectos de días especiales del lugar y autocorrelación de los residuos. Es la estructura del modelo Armónico (ciclo anual más errores ARIMA) y de ArmónicoFeriados.
  • Silva E, Pereira MF, Vieira JT, Ferreira-Coimbra J, Henriques M, Rodrigues NF. Predicting hospital emergency department visits accurately: a systematic review. Int J Health Plann Manage. 2023;38(4):904–917. doi:10.1002/hpm.3629 — Las variables externas ayudaron solo en urgencias grandes y la elección del modelo dependió del tamaño. Por eso el modelo se elige establecimiento por establecimiento y los regresores se prueban en cada uno.

Modelos

Sección titulada «Modelos»
  • Hyndman RJ, Athanasopoulos G. Forecasting: Principles and Practice. 3.ª ed. OTexts; 2021. https://otexts.com/fpp3/ — SeasonalNaive como referencia, la regresión armónica dinámica (términos de Fourier con errores ARIMA) en que se basa el Armónico, y la evaluación con origen móvil.
  • Hyndman RJ, Khandakar Y. Automatic time series forecasting: the forecast package for R. J Stat Softw. 2008;27(3):1–22. doi:10.18637/jss.v027.i03 — El algoritmo de AutoARIMA, que también modela los residuos del Armónico.
  • Bandara K, Hyndman RJ, Bergmeir C. MSTL: a seasonal-trend decomposition algorithm for time series with multiple seasonal patterns. Int J Oper Res. 2025;52(1):79–98. doi:10.1504/IJOR.2025.143957 — El modelo MSTL.
  • Garza A, Mergenthaler Canseco M, Challú C, Olivares KG. StatsForecast: lightning fast forecasting with statistical and econometric models. PyCon Salt Lake City; 2022. https://github.com/Nixtla/statsforecast — La implementación de AutoARIMA y MSTL que usa el paquete.
  • Makridakis S, Spiliotis E, Assimakopoulos V. The M4 Competition: 100,000 time series and 61 forecasting methods. Int J Forecast. 2020;36(1):54–74. doi:10.1016/j.ijforecast.2019.04.014 — Combinar métodos estuvo entre lo más preciso de la competencia, que también evaluó intervalos de predicción. Es la razón del modelo Ensamble, que pronostica por defecto porque además rindió mejor que elegir un modelo con los datos del DEIS (Modelos), y de comparar siempre contra una referencia simple.

Evaluar pronósticos por cuantiles

Sección titulada «Evaluar pronósticos por cuantiles»
  • Koenker R, Bassett G. Regression quantiles. Econometrica. 1978;46(1):33–50. https://www.jstor.org/stable/1913643 — La pérdida por cuantil (pinball) con que se miden P50, P80, P90 y P95.
  • Gneiting T. Quantiles as optimal point forecasts. Int J Forecast. 2011;27(2):197–207. doi:10.1016/j.ijforecast.2009.12.015 — Cuando quedarse corto y pasarse tienen costos distintos, el mejor pronóstico es un cuantil, y la pérdida por cuantil es la que lo evalúa bien. Es la regla de --criterio: si quedarse corto cuesta k veces más, corresponde el cuantil k / (k + 1).
  • Gneiting T, Raftery AE. Strictly proper scoring rules, prediction, and estimation. J Am Stat Assoc. 2007;102:359–378. doi:10.1198/016214506000001437 — Por qué estas medidas no se pueden engañar: un modelo obtiene su mejor puntaje pronosticando lo que realmente espera. También define el CRPS, del que la pérdida media y el WIS son aproximaciones.
  • Gneiting T, Balabdaoui F, Raftery AE. Probabilistic forecasts, calibration and sharpness. J R Stat Soc Series B Stat Methodol. 2007;69:243–268. doi:10.1111/j.1467-9868.2007.00587.x — El principio de buscar el intervalo más angosto siempre que esté calibrado. Por eso un intervalo más angosto no es mejor por sí solo y por eso se muestra la cobertura del P80 (ver Regresores).
  • Bracher J, Ray EL, Gneiting T, Reich NG. Evaluating epidemic forecasts in an interval format. PLoS Comput Biol. 2021;17(2):e1008618. doi:10.1371/journal.pcbi.1008618 — El WIS (--criterio wis): qué mide, cómo se calcula y cómo se separa en ancho y multas.
  • Mathis SM, Webber AE, León TM, et al. Evaluation of FluSight influenza forecasting in the 2021–22 and 2022–23 seasons with a new target laboratory-confirmed influenza hospitalizations. Nat Commun. 2024;15:6289. doi:10.1038/s41467-024-50601-9 — El WIS y la cobertura como forma estándar de evaluar los pronósticos de influenza del CDC.

Backtest y comparación de modelos

Sección titulada «Backtest y comparación de modelos»
  • Tashman LJ. Out-of-sample tests of forecasting accuracy: an analysis and review. Int J Forecast. 2000;16(4):437–450. https://www.sciencedirect.com/science/article/pii/S0169-2070(00)00065-0 — El backtest con origen móvil: cada ventana se ajusta solo con lo anterior y se evalúa fuera de muestra, en varias ventanas para no depender de una sola temporada.
  • Cawley GC, Talbot NLC. On over-fitting in model selection and subsequent selection bias in performance evaluation. J Mach Learn Res. 2010;11:2079–2107. https://www.jmlr.org/papers/v11/cawley10a.html — Elegir el modelo con una medida ruidosa sobreajusta la elección: parte de la ventaja del ganador es azar, y puede costar tanto como la diferencia entre los modelos. Es la razón de medir cuántas ventanas necesita el backtest (Ventanas del backtest) y de fijar el criterio antes de mirar los resultados.
  • Dixon WJ, Mood AM. The statistical sign test. J Am Stat Assoc. 1946;41:557–566. doi:10.2307/2280577 — La prueba de signos de compare_models: cuenta en cuántas ventanas gana cada modelo, sin suponer cómo se distribuye el error.

Calibración de intervalos

Sección titulada «Calibración de intervalos»
  • Angelopoulos AN, Bates S. Conformal prediction: a gentle introduction. Found Trends Mach Learn. 2023;16(4):494–591. doi:10.1561/2200000101 — La idea detrás de la calibración: ensanchar los intervalos según los errores fuera de muestra. La del paquete es una versión simple (un factor por cuantil, sacado del backtest) y no tiene las garantías de la predicción conformal. Con los datos del DEIS empeoró la pérdida P80 en la mayoría de los hospitales, así que quedó desactivada por defecto (--calibrar), y la hoja de ruta propone una por horizonte o conformal.

Variables externas

Sección titulada «Variables externas»
  • Satia I, Cusack R, Greene JM, O’Byrne PM, Killian KJ, Johnston N. Prevalence and contribution of respiratory viruses in the community to rates of emergency department visits and hospitalizations with respiratory tract infections, chronic obstructive pulmonary disease and asthma. PLoS One. 2020;15(2):e0228544. doi:10.1371/journal.pone.0228544 — La circulación viral explicó buena parte de las consultas de urgencia por infecciones respiratorias (57 %), una serie específica, no el total. Es lo que se observó aquí con FluNet y el total de atenciones, y la razón de probarla con series respiratorias.
  • Araz OM, Bentley D, Muelleman RL. Using Google Flu Trends data in forecasting influenza-like-illness related ED visits in Omaha, Nebraska. Am J Emerg Med. 2014;32(9):1016–1023. doi:10.1016/j.ajem.2014.05.052 — Un indicador de vigilancia mejoró el pronóstico de consultas por enfermedad tipo influenza, otra vez una serie específica.

Datos y software

Sección titulada «Datos y software»