Modelo Gam Espacial para la Tasa de Suicidio en los Departamentos de Colombia (2014-2019)

Sánchez Cardona, Brahian

Modelo Gam Espacial para la Tasa de Suicidio en los Departamentos de Colombia (2014-2019)

dc.contributor.advisor	Bermudez Rubio, Dagoberto
dc.contributor.author	Sánchez Cardona, Brahian
dc.contributor.corporatename	Universidad Santo Tomás	spa
dc.contributor.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000014678
dc.contributor.orcid	https://orcid.org/0000-0002-2651-5665
dc.date.accessioned	2024-10-03T16:14:37Z
dc.date.available	2024-10-03T16:14:37Z
dc.date.issued	2024
dc.description	El presente trabajo tiene como objetivo analizar el comportamiento de las tasas de suicidio en Colombia, por departamentos, entre 2014 y 2019, usando un modelo GAM. Lo que se busca en este modelo es capturar tanto la dependencia espacial como la temporal y así ofrecer una visión clara de los factores que influyen en las tasas de suicidio. Partiendo de que la variable de interés sigue una distribución beta, se analiza considerando la correlación espacio-tiempo, se incluye información socioeconómica por departamento para entender cómo estos factores afectan las variaciones en las tasas de suicidio a nivel regional. Los resultados muestran que los efectos espaciales y los factores socioeconómicos están significativamente relacionados, mientras que el efecto temporal varía en su importancia, este estudio ayuda a identificar patrones espaciales y temporales en las tasas de suicidio, proporcionando información valiosa para la formulación de soluciones públicas y estrategias de intervención en Colombia.	spa
dc.description.abstract	This study aims to analyze the behavior of suicide rates in Colombia by depart ment between 2014 and 2019 using a spatiotemporal beta model. This model seeks to capture both spatial and temporal dependencies, providing a clear view of the factors influencing suicide rates. Recognizing that the suicide rate follows a beta distribution, the analysis considers the separable space-time correlation. Socio economic information by department is included to understand how these factors affect variations in suicide rates at the regional level. The results show significant relationships between spatial effects and socioeconomic factors, while the temporal effect varies in its importance. This study helps identify spatiotemporal patterns in suicide rates, providing valuable information for the formulation of public policies and intervention strategies in Colombia.	spa
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Profesional en estadística	spa
dc.format.mimetype	application/pdf
dc.identifier.citation	Sánchez Cardona, B. (2024). Modelo Gam Espacial para la Tasa de Suicidio en los Departamentos de Colombia (2014-2019). [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Instítucional.	spa
dc.identifier.instname	instname:Universidad Santo Tomás	spa
dc.identifier.reponame	reponame:Repositorio Institucional Universidad Santo Tomás	spa
dc.identifier.repourl	repourl:https://repository.usta.edu.co	spa
dc.identifier.uri	http://hdl.handle.net/11634/58135
dc.language.iso	spa
dc.publisher	Universidad Santo Tomás	spa
dc.publisher.branch	CRAI-USTA Bogotá	spa
dc.publisher.faculty	Facultad de estadística	spa
dc.publisher.program	Rregrado estadística	spa
dc.relation.references	S. Banerjee, B. P. Carlin, and A. E. Gelfand. Hierarchical Modeling and Analysis for Spatial Data. Chapman and Hall/CRC, 2014.	spa
dc.relation.references	N. Cressie and C. K. Wikle. Statistics for Spatio-Temporal Data. John Wiley & Sons, 2011.	spa
dc.relation.references	G. de M´exico. 10 de septiembre: D´ıa mundial de la prevenci´on del suicidio, 2021. Recuperado de https://www.gob.mx/salud%7Cseguropopular/articulos/ 10-de-septiembre-dia-mundial-de-la-prevencion-del-suicidio#:~: text=La%20OMS%20define%20el%20suicidio,expectativa%20de%20su% 20desenlace%20fatal.	spa
dc.relation.references	N. U. Deshpande. Time-series-forecasting-of-amazon-stock-prices-using-neural networks-lstm-and-gan. GitHub, 46(1):1, August 2019. Recuperado de https: //github.com/username/repo.	spa
dc.relation.references	S. L. P. Ferrari and F. Cribari-Neto. Beta regression for modelling rates and proportions. Journal of Applied Statistics, 31(7):799–815, 2004. doi: 10.1080/ 0266476042000214501.	spa
dc.relation.references	T. Hastie and R. Tibshirani. Generalized Additive Models. Chapman and Ha ll/CRC, New York, 1990.	spa
dc.relation.references	Huellas. Postvenci´on: ayuda ante una p´erdida por suici dio, 2016. Recuperado de https://huellas.pucpr.edu/ postvencion-ayuda-ante-una-perdida-por-suicidio/.	spa
dc.relation.references	K. Jones and J. Wakefield. Generalized additive models for spatial and temporal analysis of crime data. Journal of the Royal Statistical Society: Series A (Statis tics in Society), 176(1):125–148, 2013. doi: 10.1111/j.1467-985X.2012.01080.x.	spa
dc.relation.references	R. Kalhori and M. Mohammadzadeh. Spatial beta model for epidemiological stu dies. Journal of Spatial Statistics, 12(3):45–60, 2016.	spa
dc.relation.references	P. McCullagh and J. A. Nelder. Generalized Linear Models. Chapman and Hall, 1989.	spa
dc.relation.references	R. A. Rigby and D. M. Stasinopoulos. Generalized additive models for location, scale and shape (with discussion). Journal of the Royal Statistical Society: Series C (Applied Statistics), 54(3):507–554, 2007.	spa
dc.relation.references	D. Ruppert, M. P. Wand, and R. J. Carroll. Semiparametric Regression. Cam bridge University Press, 2003.	spa
dc.relation.references	T. F. Smith, A. Baer, R. Goedken, and P. Scott. Using generalized additive models to analyze and predict the spatial distribution of diseases. Journal of Spatial and Spatio-temporal Epidemiology, 15:12–23, 2015. doi: 10.1016/j.sste.2015.05.001.	spa
dc.relation.references	M. Smithson and J. Verkuilen. A better lemon squeezer? maximum-likelihood regression with beta-distributed dependent variables. Psychological Methods, 11 (1):54, 2006.	spa
dc.relation.references	R. C. Team. R: A language and environment for statistical computing. R Foun dation for Statistical Computing, Vienna, Austria, 2020.	spa
dc.relation.references	R. W. M. Wedderburn. Quasi-likelihood functions, generalized linear models, and the gauss-newton method. Biometrika, 61(3):439–447, 1974.	spa
dc.relation.references	S. N. Wood. Generalized Additive Models: An Introduction with R. Chapman and Hall/CRC, Boca Raton, FL, 2017.	spa
dc.rights	Atribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2	spa
dc.rights.local	Abierto (Texto Completo)	spa
dc.rights.local	Abierto (Texto Completo)	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.subject.lemb	Estadística	spa
dc.subject.lemb	Suicidio -- Colombia	spa
dc.subject.lemb	Modelo -- GAM	spa
dc.subject.proposal	Tasa de suicidio	spa
dc.subject.proposal	Departamentos	spa
dc.subject.proposal	Modelo espacio temporal	spa
dc.title	Modelo Gam Espacial para la Tasa de Suicidio en los Departamentos de Colombia (2014-2019)	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion	http://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.drive	info:eu-repo/semantics/bachelorThesis
dc.type.version	info:eu-repo/semantics/acceptedVersion