#46 me sorprende que casi todos los países han seguido sin cuestionar el modelo confinamiento. Hace ya tiempo que no se observa diferencias significativas entre los países que lo han hecho y los que no. Y lo que es peor, en nuestro país, quieren seguir con ello un mes más.
#50 No es una cuestión de opinión. Lo que yo opine no importa. Ya te he demostrado tu error desde la primera respuesta. Solo hay que mirar la documentación.
#45 Para demostrar una hipótesis, de forma estadística, hay que descartar la contraria.
Tu razonamiento deductivo no es científico. Si no lo ves, no es mi responsabilidad ayudarte. Creo que tienes formación suficiente para ver tu error, si eliminarás los prejuicios.
Por otra parte, con respecto al R0, que dices que es mi hipótesis, basta ver el informe de sanidad. Si te quieres poner conspira pico con ello, perfecto, pues irá el la línea de tu ya paranoia ahondando en tus errores.
No estoy hablando de overfitting en concreto, aunque esté relacionado. Estoy hablando de fundamentos de validación estadística. No me importa usar jerga de ML si quieres.
El hecho de que tu modelo haga una buena predicción de lo que está pasando ahora, condicionado al confinamiento, no quiere decir nada sobre lo que pasaría si no lo hubiera. El modelo aprende el parámetro de transmisión constante (uno que no puede ser constante, pero que en media está funcionando como tal), y predice bien las consecuencias de esa situación media, de pre y post confinamiento. Al tener una mayor dispersión en el tiempo la distribución de muertes, es muy plausible que los muertos sigan la tendencia de la cola sin incrementar el número de infectados de manera significativa.
Lo de usar modelos simples me parece bien. El problema es que no los estás validando en realidad, pues estás usando datos mixtos que dependen de factores no aislados. Como digo, para demostrar que el confinamiento no hizo nada, los modelos ajustados en base a datos no condicionados al confinamiento, y el modelo ajustado en base a datos condicionados al confinamiento deberían ser iguales. No creo que puedas hacer esa comparación sólo usando los datos de muertes (ya sin tener en cuenta la mayor incertidumbre que estos exponen).
Por terminar. Me sorprende que no seas capaz de ver el error de bulto que cometes. Estás asumiendo lo mismo que concluyes!! Y me sorprende aún más que te hayas venido a meneame a responder a todo comentario que existe ahondando en tu error (error que han visto varios que, sin ser arrogantes, no han expuesto su formación: te sorprenderías del nivel de algunos usuarios), y te sigas creyendo más listo que nadie.
Insisto, sin acritud, estás cometiendo un error de novato y ni te das cuenta.
En primer lugar, por lo que sabemos de la enfermedad [1], desde la exposición al virus hasta la muerte pueden pasar desde 2 hasta 10 semanas, con una distribución desconocida. Puesto que modelas en base a muertes, no podemos asumir un desplazamiento constante desde la exposición, sin asumir un error amplio.
En segundo lugar, claro que el modelo SIR asume tiempo constante, y asume tasa de contagios constante, y no dudo de que sepas bien como funciona el modelo, ni como se ajusta. El problema es que, como seguro que también sabes, no se puede pretender ajustar un modelo paramétrico (con unas premisas) a unos datos que no cumplen esas premisas, y sacar conclusiones válidas de ello. Y esto no quiere decir que no puedas ajustarlo: cláro que se puede. Pero hay que tener mucho cuidado con interpretarlo literalmente.
Con respecto a demostrar pre y post confinamiento con tu modelo. Y aquí me tengo que poner muy serio ya. ¿De verdad crees que puedes sacar esa conclusión del hecho de que un modelo determinado se ajuste a tu conjunto de entrenamiento?. Pero si lo que quieres demostrar es lo que asumes... tendrás que usar un conjunto de datos held out para validar tu modelo ¿no?. Esto ya sin necesidad de meternos en analizar por qué tu modelo parece funcionar falsamente.
Por último, viendo tus nuevos twits, me doy cuenta de que, puedes saber ajustar un modelo con todo el detalle del mundo, pero es evidente que no sabes lo que estás haciendo para aplicarlo. Y me refiero específicamente a [2]. En tu modelo solamente entran los muertos. Lo único que permite el modelo para pasar a muerto, es haber pasado por infectado, y estos solo pueden venir de los sanos. La única forma de que se ajuste una curva decreciente de infectados, es que se agote el suministo de sanos. Es decir, que para modelar los datos observados post-hoc, estás asumiendo que el suministro de sanos no inmunes se paró. ¿Cómo vas a extrapolar esto a toda la población (y no sólo la foto fija de los que han fallecido)? ¿cómo va a ser el R0 constante (no lo es, ver [1]) e independiente de la movilidad reducida por el confinamiento (no lo es, ver [3])? ¿No ves que estás usando datos no curados?
#24 Pues el R0 no es constante. De hecho nos encerramos para que baje el R0, así que el modelo que propones simplemente no se ajusta a la realidad, no se puede pretender extraer conclusiones de él que sean aplicables. El R0 ha tenido que cambiar con el encierro y de hecho llegan menos enfermos a los hospitales. Un estudio interesante sería ver cómo ha cambiado.
Enhorabuena por tu doctorado. Si además nunca te equivocas, enhorabuena por estar en eso a la altura de Jesucristo. El resto de humanos alguna vez lo hace.
#18 "si haces el confinamiento demasiado TARDE no consigues tus objetivos:"
Quieres decir que descongestionar la mayoría de hospitales no es conseguir nada?, con la sanidad saturada sí que no vas a conseguir nada.
En principio hay que asegurarse poder atender a los enfermos,parar el virus es imposible sin vacuna.
#52 igorymi 
