diff --git a/episodes/EnfermedadX.Rmd b/episodes/EnfermedadX.Rmd index 2715777..8b29641 100644 --- a/episodes/EnfermedadX.Rmd +++ b/episodes/EnfermedadX.Rmd @@ -891,7 +891,7 @@ converg_diag_gamma ``` -```{r gamma check res} +```{r gamma sample MCMC} # Guardar las muestras MCMC en un dataframe si_samples_gamma <- data.frame( type = 'Symptom onset', @@ -922,7 +922,7 @@ si_summary_gamma ``` -```{r gamma check res, echo=TRUE, results=FALSE} +```{r gamma check res si, echo=TRUE, results=FALSE} # Obtenga las mismas estadísticas de resumen para los parámetros de la distribución si_samples_gamma |> summarise( @@ -936,7 +936,7 @@ scale_u_ci = quantile(scale, probs=.975) ``` -```{r gamma check res, results=FALSE} +```{r gamma check res parms, results=FALSE} # Necesita esto para hacer gráficos más tarde gamma_shape <- si_fit_gamma@ests['shape',][1] gamma_rate <- 1 / si_fit_gamma@ests['scale',][1] @@ -985,14 +985,14 @@ seed = mcmc_control$seed) Revise los resultados. -```{r log normal res} +```{r log normal res conver} # Revise la convergencia de las cadenas MCMC converg_diag_lnorm <- check_cdt_samples_convergence(si_fit_lnorm@samples) converg_diag_lnorm ``` -```{r log normal res, results=FALSE} +```{r log normal res samples MCM, results=FALSE} # Guarde las muestras de MCMC en un dataframe si_samples_lnorm <- data.frame( type = 'Symptom onset', @@ -1009,7 +1009,7 @@ sd = sqrt((exp(sdlog^2)-1) * (exp(2*meanlog + sdlog^2))) ``` -```{r log normal res} +```{r log normal res si sum} # Obtenga la media, desviación estándar e intervalo de credibilidad del 95% si_summary_lnorm <- si_samples_lnorm %>% @@ -1025,7 +1025,7 @@ si_summary_lnorm ``` -```{r log normal res} +```{r log normal res stad} # Obtenga las estadísticas resumen para los parámetros de la distribución si_samples_lnorm |> summarise( @@ -1039,7 +1039,7 @@ sdlog_u_ci = quantile(sdlog, probs=.975) ``` -```{r log normal res} +```{r log normal res end} lognorm_meanlog <- si_fit_lnorm@ests['meanlog',][1] lognorm_sdlog <- si_fit_lnorm@ests['sdlog',][1] @@ -1095,7 +1095,7 @@ converg_diag_weibull ``` -```{r weibull check res} +```{r weibull check res si} # Guarde las muestra MCMC en un dataframe si_samples_weibull <- data.frame( type = 'Symptom onset', @@ -1112,7 +1112,7 @@ sd = sqrt(scale^2*(gamma(1+2/shape)-(gamma(1+1/shape))^2)) ``` -```{r weibull check res, echo=TRUE} +```{r weibull check res si sum, echo=TRUE} # Obtenga las estadísticas resumen si_summary_weibull <- si_samples_weibull %>% @@ -1128,7 +1128,7 @@ si_summary_weibull ``` -```{r weibull check res, echo=TRUE} +```{r weibull check res si samples, echo=TRUE} # Obtenga las estadísticas resumen para los parámetros de la distribución. si_samples_weibull |> summarise( @@ -1142,7 +1142,7 @@ scale_u_ci = quantile(scale, probs=.975) ``` -```{r weibull check res} +```{r weibull check res parms} weibull_shape <- si_fit_weibull@ests['shape',][1] weibull_scale <- si_fit_weibull@ests['scale',][1] diff --git a/episodes/EnfermedadX2.Rmd b/episodes/EnfermedadX2.Rmd index ca09899..7cfbe5f 100644 --- a/episodes/EnfermedadX2.Rmd +++ b/episodes/EnfermedadX2.Rmd @@ -457,7 +457,6 @@ Ahora, enfoquese en el período de incubación. Se utilizará los datos del `lin - ¿Para cuántos casos tiene datos tanto de la fecha de inicio de síntomas como de exposición? - Calcule las ventanas de exposición. ¿Cuántos casos tienen una única fecha de exposición? - ::: ```{r estimate ip, warning = FALSE} @@ -494,6 +493,7 @@ Recuerde que el interés principal es considerar tres distribuciones de probabil `Stan` es un programa de software que implementa el algoritmo Monte Carlo Hamiltoniano (HMC por su siglas en inglés de Hamiltonian Monte Carlo). HMC es un método de Monte Carlo de cadena de Markov (MCMC) para ajustar modelos complejos a datos utilizando estadísticas bayesianas. + #### **7.1.1. Corra el modelo en Stan** Ajuste las tres distribuciones en este bloque de código. @@ -891,7 +891,7 @@ converg_diag_gamma ``` -```{r gamma check res} +```{r gamma sample MCMC} # Guardar las muestras MCMC en un dataframe si_samples_gamma <- data.frame( type = 'Symptom onset', @@ -922,7 +922,7 @@ si_summary_gamma ``` -```{r gamma check res, echo=TRUE, results=FALSE} +```{r gamma check res si, echo=TRUE, results=FALSE} # Obtenga las mismas estadísticas de resumen para los parámetros de la distribución si_samples_gamma |> summarise( @@ -936,7 +936,7 @@ scale_u_ci = quantile(scale, probs=.975) ``` -```{r gamma check res, results=FALSE} +```{r gamma check res parms, results=FALSE} # Necesita esto para hacer gráficos más tarde gamma_shape <- si_fit_gamma@ests['shape',][1] gamma_rate <- 1 / si_fit_gamma@ests['scale',][1] @@ -985,14 +985,14 @@ seed = mcmc_control$seed) Revise los resultados. -```{r log normal res} +```{r log normal res conver} # Revise la convergencia de las cadenas MCMC converg_diag_lnorm <- check_cdt_samples_convergence(si_fit_lnorm@samples) converg_diag_lnorm ``` -```{r log normal res, results=FALSE} +```{r log normal res samples MCM, results=FALSE} # Guarde las muestras de MCMC en un dataframe si_samples_lnorm <- data.frame( type = 'Symptom onset', @@ -1009,7 +1009,7 @@ sd = sqrt((exp(sdlog^2)-1) * (exp(2*meanlog + sdlog^2))) ``` -```{r log normal res} +```{r log normal res si sum} # Obtenga la media, desviación estándar e intervalo de credibilidad del 95% si_summary_lnorm <- si_samples_lnorm %>% @@ -1025,7 +1025,7 @@ si_summary_lnorm ``` -```{r log normal res} +```{r log normal res stad} # Obtenga las estadísticas resumen para los parámetros de la distribución si_samples_lnorm |> summarise( @@ -1039,7 +1039,7 @@ sdlog_u_ci = quantile(sdlog, probs=.975) ``` -```{r log normal res} +```{r log normal res end} lognorm_meanlog <- si_fit_lnorm@ests['meanlog',][1] lognorm_sdlog <- si_fit_lnorm@ests['sdlog',][1] @@ -1095,7 +1095,7 @@ converg_diag_weibull ``` -```{r weibull check res} +```{r weibull check res si} # Guarde las muestra MCMC en un dataframe si_samples_weibull <- data.frame( type = 'Symptom onset', @@ -1112,7 +1112,7 @@ sd = sqrt(scale^2*(gamma(1+2/shape)-(gamma(1+1/shape))^2)) ``` -```{r weibull check res, echo=TRUE} +```{r weibull check res si sum, echo=TRUE} # Obtenga las estadísticas resumen si_summary_weibull <- si_samples_weibull %>% @@ -1128,7 +1128,7 @@ si_summary_weibull ``` -```{r weibull check res, echo=TRUE} +```{r weibull check res si samples, echo=TRUE} # Obtenga las estadísticas resumen para los parámetros de la distribución. si_samples_weibull |> summarise( @@ -1142,7 +1142,7 @@ scale_u_ci = quantile(scale, probs=.975) ``` -```{r weibull check res} +```{r weibull check res parms} weibull_shape <- si_fit_weibull@ests['shape',][1] weibull_scale <- si_fit_weibull@ests['scale',][1] @@ -1335,5 +1335,3 @@ Kelly Charniga, Zachary Madewell, Zulma M. Cucunubá 6. Lambert B. A Student's Guide to Bayesian Statistics. Los Angeles, London, New Delhi, Singapore, Washington DC, Melbourne: SAGE, 2018. 7. Vehtari A et al. Rank-normalization, folding, and localization: An improved R-hat for assessing convergence of MCMC. Bayesian Analysis 2021: Advance publication 1-28. 8. Nishiura H et al. Serial interval of novel coronavirus (COVID-19) infections. Int J Infect Dis. 2020;93:284-286. - -