Imputação de dados em séries temporais: uma proposta de correção para o atraso nas notificações dos casos de COVID-19 por data de início dos sintomas via Modelo Estrutural

Abstract

A notificação de um caso confirmado de COVID-19 tende a ocorrer em uma data (data da notificação) posterior à data de início dos sintomas (ou sinais) — a diferença entre as datas é chamada de atraso na notificação. Estratégias de correção para lidar com os atrasos na notificação de algum tipo de evento têm sido propostas na literatura — tradicionalmente em ciências atuariais e, também, em epidemiologia. É comum dispor dados de eventos que são notificados com atraso em um arranjo conhecido como triângulo de run-off, no qual as linhas representam as datas de ocorrência dos eventos e as colunas correspondem aos atrasos. Neste trabalho, convenientemente utilizaremos uma reorganização dos dados do triângulo de run-off em um vetor obtido pelo empilhamento das linhas. Apresentaremos, então, um método de correção dos atrasos nas notificações que é baseado na imputação de dados em séries temporais univariadas. Para tal, consideramos o Modelo Estrutural dentro do arcabouço da Modelagem em Espaço de Estados, onde o tratamento de missing values (dados ou valores faltantes, ausentes) tende a ser simplificado. Destacamos que a correção dos atrasos nas notificações dos casos de COVID-19 nos permite ter um melhor acompanhamento da real evolução da pandemia uma vez que a data na qual um indivíduo é infectado deve estar mais próxima da data de início dos sintomas do que da data de notificação.