Resume las simulaciones en una tabla con la media y el intervalo de incertidumbre de cada celda. Con un ajuste o
una cascada, por edad simple; con un resultado de dl_avd(), por banda de edad.
Usage
dl_estimaciones(
x,
medida = c("prevalencia", "incidencia", "mortalidad_exceso", "avd"),
nivel = 0.95
)Arguments
- x
Ajuste de
dl_ajustar(), cascada dedl_cascada()o resultado dedl_avd().- medida
"prevalencia","incidencia"(incidencia poblacional, i (1 - p), por persona-año),"mortalidad_exceso"o"avd"(solo con un resultado dedl_avd(), que por defecto da"avd"; también admite"prevalencia"por banda).- nivel
Nivel del intervalo (0.95: cuantiles 2.5 % y 97.5 %).
Value
Una tabla (data.table) con una fila por celda: location_id, sex_id, edad (la edad entera; con un
resultado de dl_avd(), age_group_id, la banda de edad del ancla), medida, media (la media de las
simulaciones, el mismo valor central de las tablas de las corridas) e inferior y superior (los cuantiles
del intervalo). Unidades: la prevalencia es una proporción; la incidencia y la mortalidad en exceso, tasas por
persona-año; los AVD, años por persona y año (x 100 000 da la tasa por 100 000 de las corridas).
See also
dl_ajustar(), dl_cascada(), dl_avd(); dl_resumir() da las celdas por banda de edad con los
nombres de los catálogos.
Ajuste nacional:
dl_ajustar(),
dl_ajustar_solo_prior(),
dl_opciones_mcmc()
Examples
# \donttest{
b <- dl_insumos(dl_proyecto(dl_ejemplo(), causa = 9100))
#> dl_insumos(): 25 fila(s) nacionales de la tabla datos quedan fuera del ajuste porque datos_en_ajuste está vacío en la configuración; las filas subnacionales se usan solo para validar la cascada
op <- dl_opciones_mcmc(simulaciones = 100, cadenas = 2, iteraciones = 2000, calentamiento = 1000)
f <- dl_ajustar(b, op, semilla = 1)
head(dl_estimaciones(f))
#> location_id sex_id edad medida media inferior superior
#> <char> <int> <int> <char> <num> <num> <num>
#> 1: 123 1 30 prevalencia 0.0000000000 0.0000000000 0.000000000
#> 2: 123 1 31 prevalencia 0.0009713892 0.0004834718 0.001674911
#> 3: 123 1 32 prevalencia 0.0019514261 0.0010106230 0.003300012
#> 4: 123 1 33 prevalencia 0.0029423464 0.0015789707 0.004877413
#> 5: 123 1 34 prevalencia 0.0039464232 0.0021877604 0.006410696
#> 6: 123 1 35 prevalencia 0.0049659840 0.0028435334 0.007903400
head(dl_estimaciones(f, "incidencia"))
#> location_id sex_id edad medida media inferior superior
#> <char> <int> <int> <char> <num> <num> <num>
#> 1: 123 1 30 incidencia 0.0009678045 0.0004629545 0.001709667
#> 2: 123 1 31 incidencia 0.0009897052 0.0005101993 0.001676221
#> 3: 123 1 32 incidencia 0.0010136932 0.0005567397 0.001653003
#> 4: 123 1 33 incidencia 0.0010398908 0.0006054805 0.001631822
#> 5: 123 1 34 incidencia 0.0010684324 0.0006613443 0.001599684
#> 6: 123 1 35 incidencia 0.0010994649 0.0007250249 0.001553038
# }