Ruta a la carpeta del proyecto de ejemplo o a un archivo dentro de ella. El ejemplo es un proyecto con las tablas
del contrato de insumos (dl_tablas), listo para leer con dl_proyecto() y para copiar como punto de partida de
uno propio: con copiar_en, dl_ejemplo() lo copia en una carpeta nueva, donde se puede editar. Todos los números
son sintéticos.
Arguments
- ...
Partes de la ruta dentro de la carpeta del ejemplo (por ejemplo
"config","9100.yaml"); sin ninguna, la carpeta.- copiar_en
NULL(por defecto) o la ruta de una carpeta nueva o vacía: copia ahí el proyecto de ejemplo entero (crea la carpeta si no existe) para editarlo, por ejemplo para probar otra configuración. No escribe en una carpeta que ya tiene archivos. Va sin partes de la ruta en....
Value
La ruta del archivo o de la carpeta (si el archivo no existe, un error); con copiar_en, la ruta de la
copia (copiar_en).
Details
La enfermedad es ficticia: una arteriopatía crónica (la causa 9100) que es la suma de tres subtipos (9101, 9102 y
9103), con estimaciones de referencia de 2019 y 2023 y población de 2019, 2023 y 2024. La geografía es la de un
país real, Perú (código 123, su location_id de GBD), con sus 25 departamentos (códigos 01 a 25), pero ningún
número describe a ese país ni a sus departamentos.
Las dos carpetas del ejemplo
El ejemplo viene en dos carpetas, una por formato, con los mismos números salvo los proxies departamentales. La de
dl_ejemplo() es acs_peru, con las tablas del contrato (dl_tablas):
config/9100.yaml...config/9103.yaml: la configuración de cada causa; la de 9100 declara sus subtipos.ubicaciones.csv: el país (código 123, sin padre) y sus 25 departamentos.poblacion.csv: la población de los departamentos por año, sexo y grupo de edad, sin las filas nacionales (el paquete las calcula como su suma).ancla/sintetico_acs_v1.csv: una descarga de GBD Results tal cual, con la prevalencia, la incidencia, las muertes y los AVD de las cuatro causas, por edad y sexo, de 2019 y 2023.covariables/: tres descargas del GHDx tal cual (SEV, LDI y HAQ), con los valores nacionales y, como en una descarga real, los globales y los regionales, que no se usan.proxies_crudos.csv: una encuesta de hogares sintética con tres ediciones (2019, 2021 y 2023) que mide un indicador de cada covariable por departamento (el del SEV por sexo y grupo de edad), con su error estándar.dl_proyecto()la calibra al leer (dl_calibrar_proxies()): da las filas departamentales de las tres covariables en el año que se estima, cuyo promedio ponderado por la población es el valor nacional. La configuración declara el HAQ endiferencia(proxies.transformacion).betas.csv: las betas de las tres covariables, de la causa 9100 (los subtipos usan las de su causa padre).datos.csv(solo de la causa 9100): filas nacionales de 2023 (mortalidad, un estudio de prevalencia en casos y muestra, una cohorte de incidencia y un valor atípico excluido) y filas departamentales de 2019 (mortalidad y prevalencia), reservadas para validar.severidad.csv: tres estados de salud por causa, con su proporción y su peso de discapacidad.LEEME.md: la descripción de la carpeta.verdad.csv: no es un insumo. Las curvas con que se generaron los datos, para comparar con las estimaciones: la prevalenciap, la incidenciaiy la mortalidad en excesof(por persona-año) por edad simple, de 30 a 99 años, de cada causa (cause_id), ubicación nacional y departamental (location_id), sexo (sex_id) y año (anio, 2019 y 2023).
La otra, acs_peru_completo, es el mismo proyecto en el formato completo (el de la versión 0.2.2), con los
proxies departamentales ya calibrados en lugar de la encuesta, el YAML de extracción, el almacén de evidencia, el
registro, los catálogos, una tabla de severidad por causa y una partición de severidad. Su ruta es
system.file("extdata", "acs_peru_completo", package = "dismodlite").
Las columnas de cada tabla están en dl_tablas, la carpeta en dl_proyecto() y las claves de la configuración en
dl_configuracion().
Con dl_rutas_ejemplo() y dl_configuracion_ejemplo() se toman las rutas y la configuración de una causa del
proyecto de ejemplo o de su versión en el formato completo.
See also
dl_proyecto(), dl_rutas_ejemplo(), dl_configuracion_ejemplo(); dl_nuevo_proyecto() para empezar
un proyecto desde una carpeta vacía.
Funciones del proyecto:
dl_calibrar_proxies(),
dl_correr(),
dl_nuevo_proyecto(),
dl_plantilla(),
dl_proyecto(),
dl_revisar_proyecto(),
dl_tabla(),
dl_tablas
Examples
# la carpeta del proyecto de ejemplo y sus archivos
dl_ejemplo()
#> [1] "/home/runner/work/_temp/Library/dismodlite/extdata/acs_peru"
list.files(dl_ejemplo(), recursive = TRUE)
#> [1] "LEEME.md" "ancla/sintetico_acs_v1.csv"
#> [3] "betas.csv" "config/9100.yaml"
#> [5] "config/9101.yaml" "config/9102.yaml"
#> [7] "config/9103.yaml" "covariables/HAQI.csv"
#> [9] "covariables/LDI_PC.csv" "covariables/SEV_SCALAR_CVD_PVD.csv"
#> [11] "datos.csv" "poblacion.csv"
#> [13] "proxies_crudos.csv" "severidad.csv"
#> [15] "ubicaciones.csv" "verdad.csv"
readLines(dl_ejemplo("config", "9101.yaml"))
#> [1] "# ACS de miembros inferiores (causa 9101): configuración de ejemplo con datos sintéticos."
#> [2] "# Las claves que no aparecen toman su valor por defecto: ver ?dl_configuracion y print(dl_proyecto(...))."
#> [3] "causa: 9101"
#> [4] "nombre: ACS de miembros inferiores"
#> [5] "anio: 2023"
#> [6] "edad_inicio: 30"
#> [7] ""
#> [8] "mortalidad_exceso:"
#> [9] " techo: 0.20 # por persona-año"
#> [10] ""
#> [11] "subnacional:"
#> [12] " anio_validacion: 2019 # año de los datos subnacionales reservados para validar"
#> [13] ""
#> [14] "proxies: # la calibración de proxies_crudos.csv (?dl_calibrar_proxies)"
#> [15] " transformacion:"
#> [16] " haqi: diferencia # un índice de 0 a 100: en puntos; el SEV y el LDI, en cociente"
#> [17] ""
#> [18] "sensibilidad:"
#> [19] " peso: [0.1, 0.5, 1.0]"
#> [20] ""
#> [21] "notas:"
#> [22] " - Datos sintéticos de ejemplo (dismodlite)."
dl_proyecto(dl_ejemplo(), causa = 9101)
#> <dl_proyecto> ACS de miembros inferiores, causa 9101 | año 2023 | tablas del contrato
#> carpeta: /home/runner/work/_temp/Library/dismodlite/extdata/acs_peru
#> tablas:
#> ubicaciones 26 fila(s), de ubicaciones.csv
#> poblacion 2100 fila(s), de poblacion.csv
#> ancla 768 fila(s), de ancla
#> covariables 8 fila(s), de covariables
#> betas 3 fila(s), de betas.csv
#> datos 185 fila(s), de datos.csv
#> severidad 12 fila(s), de severidad.csv
#> fuentes_gbd no
#> poblacion_detalle no
#> proxies_crudos 1500 fila(s), de proxies_crudos.csv
#> razones no
#> prior_mortalidad_exceso no
#> subnacional: covariables
#> proxies calibrados de proxies_crudos (año 2023):
#> SEV_scalar_agestd_cvd_pvd: paseo_aleatorio, q = 2.26e-05, ediciones 2019, 2021, 2023
#> LDI_pc: paseo_aleatorio, q = 0.000373, ediciones 2019, 2021, 2023
#> haqi: paseo_aleatorio, q = 0.406, ediciones 2019, 2021, 2023
#> tomado por defecto (14):
#> sexos = [hombres, mujeres]
#> ubicacion_gbd = 123
#> ancla.peso (λ) = 1
#> ancla.correlacion_edad (ρ) = 0.5
#> ancla.anio = 2023
#> nudos = [30, 40, 50, 60, 70, 80, 95]
#> incidencia.suavidad (σ) = 0.5
#> mortalidad_exceso.prior = desde_ancla
#> remision = 0
#> datos_en_ajuste = ninguno: las nacionales no se usan; las subnacionales de mortalidad validan
#> subnacional.modo = covariables
#> subnacional.kappa (κ) = 1
#> sensibilidad.correlacion_edad (ρ) = [0, 0.5, 0.9]
#> sensibilidad.kappa (κ) = [0.5, 1]
# las curvas verdaderas
head(read.csv(dl_ejemplo("verdad.csv")))
#> cause_id location_id sex_id anio edad p i f
#> 1 9100 123 1 2019 30 0.000000000 0.000748042 0.0102376
#> 2 9100 123 1 2019 31 0.000761222 0.000783162 0.0105504
#> 3 9100 123 1 2019 32 0.001549350 0.000819950 0.0108727
#> 4 9100 123 1 2019 33 0.002365190 0.000858486 0.0112048
#> 5 9100 123 1 2019 34 0.003209590 0.000898854 0.0115471
#> 6 9100 123 1 2019 35 0.004083390 0.000941142 0.0118998
# el mismo proyecto en el formato completo
completo <- system.file("extdata", "acs_peru_completo", package = "dismodlite")
list.files(completo)
#> [1] "LEEME.md" "ancla"
#> [3] "catalogos" "config"
#> [5] "covariables" "datos.csv"
#> [7] "evidencia" "extraccion.yaml"
#> [9] "particion" "pesos_80mas.csv"
#> [11] "poblacion.csv" "proxies_departamentales.csv"
#> [13] "registro" "severidad"
# una copia del ejemplo para editarla (por ejemplo, otra configuración de la causa 9101)
copia <- dl_ejemplo(copiar_en = file.path(tempdir(), "mi_proyecto"))
list.files(copia)
#> [1] "LEEME.md" "ancla" "betas.csv"
#> [4] "config" "covariables" "datos.csv"
#> [7] "poblacion.csv" "proxies_crudos.csv" "severidad.csv"
#> [10] "ubicaciones.csv" "verdad.csv"
cat("ancla:\n peso: 0.5\n", file = file.path(copia, "config", "9101.yaml"), append = TRUE)
dl_proyecto(copia, causa = 9101)
#> <dl_proyecto> ACS de miembros inferiores, causa 9101 | año 2023 | tablas del contrato
#> carpeta: /tmp/RtmpucVo2P/mi_proyecto
#> tablas:
#> ubicaciones 26 fila(s), de ubicaciones.csv
#> poblacion 2100 fila(s), de poblacion.csv
#> ancla 768 fila(s), de ancla
#> covariables 8 fila(s), de covariables
#> betas 3 fila(s), de betas.csv
#> datos 185 fila(s), de datos.csv
#> severidad 12 fila(s), de severidad.csv
#> fuentes_gbd no
#> poblacion_detalle no
#> proxies_crudos 1500 fila(s), de proxies_crudos.csv
#> razones no
#> prior_mortalidad_exceso no
#> subnacional: covariables
#> proxies calibrados de proxies_crudos (año 2023):
#> SEV_scalar_agestd_cvd_pvd: paseo_aleatorio, q = 2.26e-05, ediciones 2019, 2021, 2023
#> LDI_pc: paseo_aleatorio, q = 0.000373, ediciones 2019, 2021, 2023
#> haqi: paseo_aleatorio, q = 0.406, ediciones 2019, 2021, 2023
#> tomado por defecto (13):
#> sexos = [hombres, mujeres]
#> ubicacion_gbd = 123
#> ancla.correlacion_edad (ρ) = 0.5
#> ancla.anio = 2023
#> nudos = [30, 40, 50, 60, 70, 80, 95]
#> incidencia.suavidad (σ) = 0.5
#> mortalidad_exceso.prior = desde_ancla
#> remision = 0
#> datos_en_ajuste = ninguno: las nacionales no se usan; las subnacionales de mortalidad validan
#> subnacional.modo = covariables
#> subnacional.kappa (κ) = 1
#> sensibilidad.correlacion_edad (ρ) = [0, 0.5, 0.9]
#> sensibilidad.kappa (κ) = [0.5, 1]
unlink(copia, recursive = TRUE)