Aplicación de modelos econométricos para el análisis de la incidencia del COVID-19 en España

  1. Inglada-Pérez, Lucía 1
  2. Coto-Millán, Pablo 2
  3. Casares, Pedro 2
  4. Inglada López de Sabando, Vicente 1
  1. 1 Departamento de Economía Aplicada y Estadística. UNED
  2. 2 Departamento de Economía Universidad de Cantabria
Revista:
Anales de ASEPUMA

ISSN: 2171-892X

Año de publicación: 2021

Número: 29

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Anales de ASEPUMA

Resumen

Desde que la enfermedad por coronavirus (COVID-19) apareció en China a finales de diciembre de 2019, los daños sociales, sanitarios y económicos producidos por su vertiginosa propagación en prácticamente todo el mundo, han sido devastadores. España es uno de los países donde la pandemia ha incidido con mayor virulencia, incluyendo más de 2,3 millones de casos confirmados y más de 72.900 fallecimientos hasta el 19 de marzo de 2021. Por ello, es sumamente relevante analizar, monitorizar y predecir la incidencia del COVID-19 en España con el fin de ayudar a formular políticas de salud pública que contribuyan a controlar la propagación de la epidemia de forma más eficaz. Los modelos econométricos de series temporales son importantes para predecir el impacto de la epidemia de COVID-19 y tomar las medidas necesarias para responder a esta crisis. En este estudio se aplican modelos de vectores autorregresivos (VAR) y modelos autorregresivos con retardos distribuidos (ARDL), para analizar y predecir la incidencia del COVID-19 en España, uno de los países más afectados de Europa. Los resultados del análisis pueden ayudar a comprender la evolución de la epidemia y proporcionar una base teórica para la adopción de nuevas políticas de intervención.

Referencias bibliográficas

  • ARUNKUMAR, K.E. KALAGA, D.V., KUMAR S.C.M., CHILKOOR, G., KAWAJI, M. y BRENZA, T.M. (2021). “Forecasting the dynamics of cumulative COVID-19 cases (confirmed, recovered and deaths) for top-16 countries using statistical machine learning models: Auto-regressive Integrated Moving Average (ARIMA) and Seasonal Autoregressive Integrated Moving Average (SARIMA)”. Applied Soft Computing, 103, 107161.
  • CEYLAN, Z. (2020). “Estimation of COVID-19 prevalence in Italy, Spain, and France”. Science Total Environment, 729, 133817.
  • DÍAZ FERNÁNDEZ, M.M., LLORENTE MARRÓN, M.M. y MÉNDEZ RODRÍGUEZ, M.P. (2014). “Un modelo vectorial autorregresivo (VAR) aplicado a la fecundidad y nupcialidad en España”. Recta, 15(2), pp. 99-109.
  • DICKEY, D. y FULLER, W. (1979). “Distribution of the estimators for autoregressive time series with a unit root”. Journal of the American Statistical Association, 74, pp. 426-431.
  • ENGLE, R.F. y GRANGER, C.W. (1987). “Co-integration and error correction: representation, estimation, and testing”. Econometrica: Journal of the Econometric Society, 55, pp. 251–276.
  • GNANVI, J.E., SALAKO, K.V., KOTANMI, G.B. y KAKAÏ, R.G. (2021). “On the reliability of predictions on Covid-19 dynamics: A systematic and critical review of modelling techniques”. Infectious Disease Modelling, 6, pp.258-272.
  • GRANGER, C.W. (1969). “Investigating causal relations by econometric models and cross-spectral methods”. Econometrica, 37, pp. 424–438.
  • GRANGER, C.W. (1988). “Some recent developments in a concept of causality”. Journal of Econometrics, 39, pp.199–211.
  • GUIRAO, A. (2020). “The Covid-19 outbreak in Spain. A simple dynamics model, some lessons, and a theoretical framework for control response”. Infectious Disease Modelling, 5, pp. 652-669.
  • KHAN, F., SAEED, A. y ALI, S. (2020). “Modelling and forecasting of new cases, deaths and recover cases of COVID-19 by using Vector Autoregressive model in Pakistan”. Chaos, Solitons & Fractals, 140, 110189. NARAYAN, P.K. (2005). “The saving and investment nexus for China: evidence from cointegration tests”. Applied Economics, 37(17), pp. 1979–1990.
  • PESARAN, M.H. y SHIN, Y. (1999). “An autoregressive distributed-lag modelling approach to cointegration analysis”. En: Strom, S. (Ed.), Econometrics and Economic Theory in the 20th Century. Cambridge University Press, Cambridge.
  • PESARAN, M.H., SHIN, Y. y SMITH, R.J. (2001). “Bounds testing approaches to the analysis of level relationships”. Journal of Applied Econometrics, 16(3), pp. 289– 326.
  • SIMS, C. (1980). “Macroeconomics and reality”. Econometrica, 48, pp. 165-192.
  • SIMS, C., STOCK, J. y WATSON M. (1990). “Inference in Linear Time Series Models with Some Unit Roots”. Econometrica, 58(1), pp.113-144.
  • WANG, Q., ZHOU, Y. y CHEN, X. (2021). “A Vector Autoregression Prediction Model for COVID-19 Outbreak”. arXiv preprint arXiv:2102.04843.
Fuente de los datos: Dialnet