EpiForecast-MX · IMSS × Tec de Monterrey · 11/06/2026
De un solo modelo Prophet por serie pasamos a selección de motor por serie: cada combinación entidad × sexo elige, contra la realidad del Boletín SINAVE 2026, el mejor de cuatro motores (Prophet, DeepAR, Ensemble y Stacking). Y se incorporó el Dengue como cuarto padecimiento, con un quinto motor nuevo, el NB-GLM. Ver la sección de Dengue ↓
Cómo evolucionó el modelado desde el primer reporte (Prophet único) a hoy
Ya no es «Prophet para todo». Las 333 series neuronales se reasignan al motor que mejor sigue la realidad 2026. Distribución productiva actual: DeepAR 157 Prophet 124 Ensemble 90 Stacking 64.
Un GLM Negative-Binomial con estacionalidad de Fourier y el índice El Niño (ONI). Es count-correcto y extrapola la dinámica epidémica sin divergir; el mejor del estudio para Dengue en backtest leave-one-epidemic-out (SMAPE 52 vs Prophet 102).
Cuarto padecimiento y primera enfermedad por vector. Serie semanal 2018–2026 de las 32 entidades, modelada en conteos. Productivos DeepAR + Prophet + NB-GLM. En vivo en epiforecast.mx/dengue.
Todo lo que necesitas saber para entender este reporte, explicado de forma sencilla
El MASE es como una calificación del modelo. Lo compara contra el método más simple posible: repetir lo que pasó hace exactamente un año.
< 0.7 Excelente 0.7 – 1.0 Bueno > 1.0 Necesita mejora
Si el MASE es menor a 1, nuestro modelo es mejor que solo copiar el pasado. Entre más bajo, mejor.
El INEGI agrupa los 32 estados en 4 zonas según sus patrones de salud mental. Esto importa porque estados de la misma zona se comportan de forma similar:
CDMX, Edo. Méx., Jalisco, Nuevo León, Chihuahua, Baja California, Coahuila, Sinaloa, Sonora, Tamaulipas
Aguascalientes, BCS, Colima, Durango, Guanajuato, Morelos, Querétaro, San Luis Potosí, Zacatecas
Campeche, Chiapas, Oaxaca, Quintana Roo, Tabasco, Veracruz, Yucatán
Guerrero, Hidalgo, Michoacán, Nayarit, Puebla, Tlaxcala
Algunos estados tienen tan pocos casos (menos de 0.5 por semana) que no hay datos suficientes para entrenar un modelo confiable solo para ese estado.
En lugar de dar un pronóstico malo, usamos el modelo de toda su región INEGI, que tiene muchos más datos. El pronóstico final se ajusta con la población individual de cada estado.
Es como pedir prestada la experiencia de los vecinos para hacer una mejor predicción.
Cada padecimiento tiene una base de 99 modelos (32 estados × 3 modos de sexo + 3 nacionales). La diferencia viene de cuántos modelos regionales de respaldo se necesitan:
Alzheimer: 111 modelos (99 base + 12 regionales de respaldo). 7 series estatales usan el modelo de su region (4 regiones activas).
Depresión: 111 modelos (99 base + 12 regionales de respaldo). Todos los estados tienen su propio modelo.
Parkinson: 111 modelos (99 base + 12 regionales de respaldo). 1 series estatales usan el modelo de su region (4 regiones activas).
Cada modelo se evalúa con cuatro métricas complementarias:
MASE — Compara el error del modelo contra un baseline naive (repetir el valor de hace 1 año). Menor a 1 = mejor que el baseline. Métrica principal.
SMAPE — Error porcentual simétrico, acotado entre 0% y 200%. Intuitivo y más estable que el MAPE, aunque también se infla cuando la incidencia es cercana a cero.
RMSE — Error cuadrático medio. Penaliza errores grandes. Está en casos por semana del motor productivo.
MAE — Error absoluto medio. Similar al RMSE pero sin penalizar extremos, tambien en casos por semana.
Nota: MASE es adimensional (comparable entre padecimientos); SMAPE en %, y RMSE/MAE en casos del motor productivo de cada serie.
El SMAPE promedia el error relativo semana a semana. Cuando la incidencia es cercana a cero (común en Alzheimer y Parkinson estatales), una diferencia de uno o dos casos representa un error porcentual enorme, así que el SMAPE sube hacia su tope de 200% aunque el pronóstico siga el patrón.
Por eso en esos padecimientos verás SMAPE alto junto a un MASE bajo: el modelo sí le gana al baseline, solo que la métrica porcentual castiga los ceros.
Por esta razón MASE es la métrica principal de selección: compara contra un baseline en vez de dividir por el valor real.
Desempeño agregado del motor productivo por serie en los 3 padecimientos neurológicos (Dengue tiene su propia sección abajo)
Cómo se distribuyen los modelos según su MASE — la mayoria estan en rango bueno o excelente
Comparación de MASE entre modelos generales, masculinos y femeninos. Los modelos «general» suelen ser mejores porque tienen más datos.
Modelos con el MASE más bajo (mejor) y más alto (peor). CDMX domina los mejores; Estado de México domina los peores.
Los 435 modelos agrupados por nivel: Nacional, Regional y Estatal
| Entidad | Padecimiento | Modo | MASE | RMSE | MAE | SMAPE | Tipo | Confianza |
|---|
Tipo de modelo por estado: Propio (datos suficientes) Fallback regional (usa modelo de su zona). Orden: Alzheimer, Depresión, Parkinson.
Primera enfermedad transmitida por vector del proyecto. Serie semanal del dengue confirmado 2018–2026 de las 32 entidades, reconstruida desde los boletines del SINAVE y modelada en conteos absolutos (no en tasa, como neuro).
Serie nacional 2018–2026 (≈8 años)
(Nacional + 32 entidades) × 3 sexos
Prophet, DeepAR, Ensemble, Stacking, NB-GLM
Motor nacional productivo
Pronóstico 52 sem + proyección 5 años ilustrativa
Izquierda: motor productivo por serie (DeepAR a nivel nacional; a nivel general DeepAR 14, NB-GLM 10, Prophet 9). Derecha: backtest fuera de muestra sobre la epidemia 2024 (leave-one-epidemic-out); agregar El Niño y el motor NB-GLM reducen el SMAPE de 102 a 52.
El dengue sigue el ciclo ENSO, pero esa señal no vive en los conteos recientes. Al agregar el índice ONI rezagado 16 sem a Prophet, el backtest leave-one-epidemic-out mejora el nacional de SMAPE 102 a 76, y el pico 2024 de ratio 1.61 a 0.87.
GLM Negative-Binomial + Fourier + El Niño: count-correcto y extrapola sin divergir. Es el mejor del estudio (SMAPE 52 vs Prophet+ENSO 76 vs Prophet 102). Ensemble y Stacking quedan fuera: los árboles no extrapolan la dinámica epidémica a 52 sem.
Un backtest OOS sobre la epidemia 2024 mostró que agregar los estados compone los sobre-tiros y explota (ratio de pico 34–157x). Las 4 regiones usan DeepAR nativo, el más contenido y fiel en magnitud (MAE 460 vs 3.7k–10k de la agregación).
La métrica de selección de motor (SMAPE 2026) es in-sample (el modelo final ve 2026 H1). El backtest de NB-GLM sí es limpio (leave-one-epidemic-out). Se valida prospectivo OOS en las semanas no vistas antes de re-entrenar. Ver Auditoría.
Cuántas de las 99 series gana cada motor y cuáles quedan fuera de producción
| Motor | Series ganadas | En producción | Nota |
|---|
Motor productivo, SMAPE (ajuste 2026) y casos por entidad y sexo. El SMAPE se infla en entidades de baja transmisión (mismo efecto que en neuro).
| Entidad | Modo | Motor productivo | SMAPE | MAE | Casos 2026 |
|---|
El ciclo epidémico, el mapa de carga por entidad y la proyección multi-año guiada por El Niño se exploran a fondo en la página de Dengue en vivo.
Ver el pronóstico de Dengue en vivo → Metodología de Dengue (parámetros y modelos) →
Fuentes que sustentan los métodos, las métricas y los datos de este reporte. La bibliografía completa del proyecto está en Referencias.
Forecasting at scale
The American Statistician, 72(1), 37–45, 2018
doi.org/10.1080/00031305.2017.1380080DeepAR: Probabilistic forecasting with autoregressive recurrent networks
International Journal of Forecasting, 36(3), 1181–1191, 2020
doi.org/10.1016/j.ijforecast.2019.07.001XGBoost: A scalable tree boosting system
KDD '16: 22nd ACM SIGKDD, 785–794, 2016
doi.org/10.1145/2939672.2939785LightGBM: A highly efficient gradient boosting decision tree
Advances in Neural Information Processing Systems (NeurIPS) 30, 2017
proceedings.neurips.ccNegative Binomial Regression (2.ª ed.)
Cambridge University Press, 2011
doi.org/10.1017/CBO9780511973420Another look at measures of forecast accuracy
International Journal of Forecasting, 22(4), 679–688, 2006
doi.org/10.1016/j.ijforecast.2006.03.001On the use of cross-validation for time series predictor evaluation
Information Sciences, 191, 192–213, 2012
doi.org/10.1016/j.ins.2011.12.028Boletín Epidemiológico — Sistema Nacional de Vigilancia Epidemiológica
Gobierno de México, 2012–2026
gob.mx/saludMarco geoestadístico y proyecciones demográficas por entidad federativa
Instituto Nacional de Estadística y Geografía
inegi.org.mx