4.3.2. Regresiones OLS

4.3.2. Regresiones OLS

La regresión global de mínimos cuadrados ordinarios u OLS por sus siglas en inglés se utiliza para generar una predicción o moderlar una variable dependiente en términos de sus relaciones con un conjunto de variables explicativas (ESRI, 2018). Se escogío este tipo de análisis para poder evaluar si las variables climáticas pueden predecir la variable de número de casos en determinada comuna de la ciudad de Villavicencio.

Los resultados de las regresiones OLS están organizados por secciones donde se muestra inicialmente un resumen de los datos que se incluyeron y posteriormente una sección para los resultados de cada trimestre.

Para la regresión espacial se realizaron regresiones OLS para los 4 trimestres del 2018, aquellos resultados se sugirieran colinealidad entre las variables se pueden observar el los anexos, se descarta una de estas variables y se vuelve a correr el modelo.

Tabla 24. Datos de dengue geocodificados y su porcentaje para el año 2018

2018 Datos geocodificados Porcentaje

1er Trimestre 290 278 96%

2do Trimestre 940 903 96%

3er Trimestre 759 705

4to Trimestre 673 614 93%

91%

Total anual 2662

Es importante tener en cuenta que para realizar una regresión espacial se deben cumplir con determinados supuestos, deberían tener por lo menos dos observaciones para cada variable para capturar la variación cruda. Para obtener resultados consistentes se deben tener 32 observaciones para cada variable, los datos de buena calidad reflejarán una verdadera variabilidad. Como en este caso se tienen 9 zonas (8 comunas y la zona rural) se nesecitarían para cada año o trimestre, según la regresión realizada 288 observaciones (9 zonas x 32). Por lo cual se cumpliría con los supuestos para 2do, 3cer y 4to trimestre.

Por lo cual hay que tener cuidado con los análisis y conclusiones realizados para el primer trimestre, pues no captura la varianza necesaria para reflejar unos resultados confiables.

Primer trimestre.

Para el primer trimestre se corre la regresión OLS obteniendo un R2 de 0.92 (ver tabla 4 y 5 en Anexo 1) mostrando que las variables explican un 92% de la variabilidad de los datos correspondientes a los casos de dengue ese trimestre. Muestra una relación positiva con la temperatura máxima, mostrando que cuando aumenta esta variable aumentan los casos de dengue, y una relación negativa tanto con la temperatura mínima como con la precipitación, la relación con la temperatura mínima no es la esperada, pues se esperaría se comportara de manera similar a la tempeatura máxima por lo cual se sugiere sacarla del modelo y volverlo a correr solo con las variables temperatura máxioma y precipitación.

Tabla 25. Resumen de los resultados de la regresión OLS para el primer trimestre de 2018

Tabla 26. Diagnósticos de la regresión OLS para el primer trimestre de 2018

Se vuelve a correr el modelo de regresión obteniendo unos valores VIF menores a 7,5 (ver Tabla 25. Resumen de los resultados de la regresión OLS para el primer trimestre de 2018) lo cual indica que no hay colinealidad entre las variables, se observa que la variable temperatura máxima es estadísticamente significativa para el modelo, muestra una relación negativa con la precipitación y una relación positiva con la temperatura maxima, es decir en las áreas donde muestra mayor precipitación los valores de los

casos decienden, lo anterior puede responder a que los valores mas altos de casos de dengue se encuentran en las comunas 4 y 5, aquellas que se encuentran más lejanas a la coordillera, por lo cual reciben menos precipitación (ver

Figura 20Figura 21Figura 22), así mismo son las comunas con temperaturas más altas (Ver Figura 24Figura 25). Este modelo muestra un valor de R2 de 0,92 (ver Tabla 26).

Segundo trimestre.

Para el segundo y tercer trimestre del 2018 se corrió la regresión OLS obteniendo unos valores residuales VIF mayor a 7.5 tanto para la temperatura máxima como para la temperatura mínima lo cual refleja que son variables redundantes (ver tabla 6 y 7 del Anexo 1). Se prosiguió a correr el modelo sin cada una de estas dos variables, obteniendo valores Akaike similares en los dos casos, se escogió la regresión realizada con las variables precipitacióny temperatura máxima, escogiendo esta última por ser una variable que aporta significativamente en el modelo de regresión del primer trimestre.

En la Tabla 27 y Tabla 28 se podrá observar los resultados del modelo de regresión final corrido para el segundo trimestre del 2018.

Tabla 27. Resumen de los resultados de la regresión OLS para el segundo trimestre de 2018

Tabla 28. Diagnósticos de la regresión OLS para el segundo trimestre de 2018

Este modelo para el segundo trimestre tiene un R2 de 0.399 (ver Tabla 28 )mostrando que el 39% de la variabilidad de los casos de dengue en el segundo trimestre del 2018 es explicada por estas variables. En la Tabla 29 y Tabla 30 se podrá observar los resultados del modelo de regresión final corrido para el tercer trimestre del 2018.

Tercer trimestre.

Este modelo para el tercer trimestre tiene un R2 de 0.27 (ver Tabla 30) mostrando que el 27% de la variabilidad de los casos de dengue en el segundo trimestre del 2018 es explicada por estas variables. En la Tabla 31 y Tabla 32 podrá observar los resultados del modelo de regresión final corrido para el cuarto trimestre del 2018.

Tabla 29. Resumen de los resultados de la regresión OLS para el tercer trimestre de 2018

Tabla 30. Diagnósticos de la regresión OLS para el tercer trimestre de 2018

Cuarto trimestre.

Este modelo para el cuarto trimestre tiene un R2 de 0.47 (ver Tabla 32) mostrando que el 47% de la variabilidad de los casos de dengue en el segundo trimestre del 2018 es explicada por estas variables.

Tabla 31. Resumen de los resultados de la regresión OLS para el cuarto trimestre de 2018

Tabla 32. Diagnósticos de la regresión OLS para el cuarto trimestre de 2018

Para las regresiones de segundo, tercer y cuarto trimestre del año se observa una relación negativa para la precipitación y una relación positiva para la temperatura máxima (ver tablas Tabla 27Tabla 29 Tabla 31). Cuando aumenta la precipitación, el número de casos disminuye y cuando aumenta la temperatura aumentan los casos, el comportamiento se puede explicar igualmente que, en el primer trimestre, las comunas 4 y 5 que poseen