Application of the Integrated Autoregressive Method of Moving Averages for the analysis of series of cases of COVID-19 in Peru

Abstract

Objective: To estimate an Integrated Autoregressive Moving Average model (ARIMA) for the analysis of series of COVID-19 cases, in Peru. Methods: The present study was based on a univariate time series analysis; The data used refer to the number of new accumulated cases of COVID-19 from March 6 to June 11, 2020. For the analysis of the fit of the model, the autocorrelation coefficients (ACF), the unit root test of Augmented Dickey-Fuller (ADF), the Normalized Bayesian Information Criterion (Normalized BIC), the absolute mean percentage error (MAPE) and the Box-Ljung test. Results: The prognosis for COVID-19 cases, between June 12 and July 11, 2020 ranges from 220 596 to 429 790. Conclusions: The results obtained with the ARIMA model, compared with the observed data, show an adequate adjustment of the values; And although this model, easy to apply and interpret, does not simulate the exact behavior over time, it can be considered a simple and immediate tool to approximate the number of cases

Introducción: En los últimos meses, los investigadores han venido empleando métodos matemáticos para poder pronosticar el número de casos de COVID-19 en todo el mundo. Objetivo: Estimar un modelo Autorregresivo Integrado de Medias Móviles (ARIMA) para el análisis de series de casos de COVID-19, en Perú. Métodos: El presente estudio se basó en un análisis de series temporales univariante; los datos utilizados se refieren a la cantidad de casos nuevos acumulados de COVID-19 del 06 de marzo al 11 de junio de 2020. Para el análisis del ajuste del modelo se utilizaron los coeficientes de autocorrelación (ACF), el contraste de raíces unitarias de Dickey-Fuller Aumentado (ADF), el Criterio de Información Bayesiano Normalizado (BIC Normalizado), el error porcentual medio absoluto (MAPE) y el test de Box-Ljung. Resultados: El pronóstico de casos de COVID-19, entre el 12 de junio al 11 de julio de 2020 oscila entre 220 596 a 429 790. Conclusiones: Los resultados obtenidos con el modelo ARIMA, comparados con los datos observados, muestran un ajuste adecuado de los valores; y aunque este modelo, de fácil aplicación e interpretación, no simula el comportamiento exacto en el tiempo puede considerarse una herramienta simple e inmediata para aproximar el número de casos