Acceso usuarios
J. Alejandro Navarro Acosta, Valeria Soto Mendoza, Laura Policardo, Edgar J. Sánchez Carrera
Objetivo: El objetivo es analizar el contraste de políticas para enfrentar la pandemia de Covid-19 en el desempeño socioeconómico de: Italia, México y Estados Unidos. Metodología: Aplicando técnicas de aprendizaje automático (machine learning, ML) para analizar los efectos socioeconómicos de la pandemia (medidas de contención, tasas de infección, muertes totales, vacunación, etc.) sobre el crecimiento del PIB en esos países. El experimento es que el índice de contingencia referencial de Nueva Zelanda reemplaza el propio índice referencial de cada uno de los países para predecir el PIB, muertes inducidas por Covid-19 y tasa de reproducción de Covid-19. Se muestra que las técnicas de ML son herramientas sólidas para regresiones de resultados múltiples y para escenarios experimentales sobre el impacto socioeconómico de la pandemia de Covid-19. Resultados: Los resultados experimentales revelaron que las técnicas de Árbol de Regresión y Bosque Aleatorio estiman y predicen con éxito los casos de Italia, México y Estados Unidos. Conclusiones: La propuesta es contingencia y vacunación son sin duda exitosas en la lucha contra una pandemia, además de medir los efectos de dichas políticas con el uso de técnicas novedosas como el ML
Objective: The aim of this paper is to analyze the contrast of policies to face the Covid-19 pandemic in the socioeconomic performance of three representative economies: Italy, Mexico, and United States. Methodology: Machine learning (ML) techniques are applied to analyze the socioeconomic effects of the pandemic (containment measures, infection rates, total deaths, vaccination, etc.) on GDP growth in those countries. The experiment is that New Zealand's reference stringency index replaces each of those countries' own stringency index and the forecasts for GDP growth, Covid-19-induced deaths, and the Covid-19 reproduction rate. Thus, we show that ML techniques are robust tools for multiple outcome regressions and for experimental scenarios on the socioeconomic impact of the Covid-19 pandemic. Results: The experimental results revealed that the Regression Tree and Random Forest techniques successfully estimate and predict the cases of Italy, Mexico, and the United States. Conclusions: The proposal is that stringency measures and vaccination policies are undoubtedly successful in the fight against a pandemic, in addition to measuring the effects of such policies when data is available through the use of novel techniques such as ML
