Resumen de una corrida

Lleva las simulaciones del ajuste (o de la cascada) y de los AVD a las celdas de salida: media e intervalo por ubicación, sexo, banda y medida (prevalencia, incidencia y AVD), con los nombres de los catálogos, y a las tablas anchas de simulaciones que guarda la corrida.

Usage

dl_resumir(piezas, nivel = 0.95, rutas = NULL)

Arguments

piezas

Lista con fit (el ajuste de dl_ajustar() o la cascada de dl_cascada()), yld (resultado de dl_avd() con ese mismo ajuste o cascada) y bundle (los insumos); también valen los nombres ajuste, avd e insumos. Con subnacional.modo: razon y una cascada, además reparto (el de dl_repartir_razon() con esas mismas piezas): las celdas y las simulaciones subnacionales son entonces las repartidas.

nivel

Nivel del intervalo de incertidumbre, entre 0 y 1 (0.95: cuantiles 2.5 % y 97.5 %). Para exportar la corrida con dl_exportar_corrida() debe ser 0.95, el que fija el contrato de las corridas.

rutas

Rutas de dl_rutas(); se usan los catálogos. NULL (por defecto) usa las de los insumos.

Value

Objeto de clase dl_resumen, una lista con:

• celdas: tabla (data.table) con una fila por ubicación, sexo, banda de edad (las del ancla) y medida, con las columnas del contrato de las corridas estimates/v1 salvo run_id (que agrega dl_exportar_corrida()): source, round, entity, method, location_id, location_name, location_level (0 nacional, 1 subnacional), year, age_group_id, age_group_name, sex_id, sex_name, cause_id, cause_name, measure_id, measure_name, metric_id, metric_name, val (la media de las simulaciones), lower, upper y ui_level. La prevalencia es la proporción de la población, entre 0 y 1 (con la métrica 2, Percent, como en las versiones anteriores); la incidencia y los AVD, tasas por 100 000 (Rate).

• draws: lista con una tabla ancha por medida (prevalence, incidence, yld): location_id, sex_id, age_group_id y una columna por simulación (draw_1, draw_2, ...), en las unidades del modelo (proporción o tasa por persona-año).

• mcmc y aceptacion: los diagnósticos del ajuste (ver dl_ajustar()).

• desplazamiento_splits y como_aplicado: los de dl_avd().

• bundle_hash, huella_ajuste y huella_avd: identifican los insumos, el ajuste y los AVD del resumen; dl_exportar_corrida() comprueba que sean las mismas piezas.

• reparto: solo con la pieza reparto, la razón aplicada (razones, semilla, ubicaciones y anio de dl_repartir_razon()), que dl_exportar_corrida() lleva al manifiesto y a diagnostics/razon.csv.

See also

dl_exportar_corrida() (el paso siguiente) y dl_estimaciones() (una tabla por edad simple, sin escribir nada).

Corridas: dl_exportar_corrida(), dl_reresumir_corrida(), dl_sumar_hijas()

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)
res <- dl_resumir(list(ajuste = f, avd = dl_avd(f, b, semilla = 1), insumos = b))
res
#> <dl_resumen> resumen de una corrida (insumos 0e52c7277b9a)
#>   72 celdas: AVD, prevalencia, incidencia | 1 ubicación(es) | intervalo del 95 %
#>   simulaciones por medida: 100
head(res$celdas[, c("sex_name", "age_group_name", "measure_name", "val", "lower", "upper")])
#>    sex_name age_group_name                       measure_name      val    lower
#>      <char>         <char>                             <char>    <num>    <num>
#> 1:     Male    40-44 years YLDs (Years Lived with Disability) 21.70846 14.43080
#> 2:     Male    45-49 years YLDs (Years Lived with Disability) 32.29323 22.62124
#> 3:     Male    50-54 years YLDs (Years Lived with Disability) 43.90605 30.92345
#> 4:     Male    55-59 years YLDs (Years Lived with Disability) 56.78351 40.59574
#> 5:     Male    60-64 years YLDs (Years Lived with Disability) 71.29788 49.80830
#> 6:     Male    65-69 years YLDs (Years Lived with Disability) 88.85015 62.26995
#>        upper
#>        <num>
#> 1:  32.09109
#> 2:  46.38034
#> 3:  62.32867
#> 4:  77.48462
#> 5:  92.68752
#> 6: 119.87164
# las simulaciones de la prevalencia, una columna por simulación
res$draws$prevalence[1:3, 1:6]
#> Key: <location_id, sex_id, age_group_id>
#>    location_id sex_id age_group_id     draw_1     draw_2     draw_3
#>         <char>  <int>        <int>      <num>      <num>      <num>
#> 1:         123      1           13 0.01184840 0.01320271 0.01382258
#> 2:         123      1           14 0.01833704 0.02037343 0.02163826
#> 3:         123      1           15 0.02543508 0.02823476 0.03200348
# }