O Distributed Lag Models (véase, por ejemplo, dLagM).
Son modelos para estimar el impacto de una serie temporal sobre otra en situaciones como la siguientes:
Existe un efecto causal (débil, pero medible) de la primera sobre la segunda. Pero las defunciones no ocurren el día mismo en que ocurren los excesos de temperaturas, sino que suelen demorarse unos cuantos días.
Si hay algo inaprensible, es la causalidad. No la que entiende Maripili, claro, sino esta. Pero vivimos en tiempos de tremendamente polémicas y presuntamente potentísimas y causas eficientes. Verbigracia, la desigualdad… y Madrid Central:
Argumentas en términos causales cuando esperas que te lea Maripili. Entre gente seria solemos hablar más bien de atribución. Lo de la atribución consiste en tratar de repartir un efecto entre posibles causas potenciales. Como típicamente no hay criterio definitivo, en la práctica funciona así:
Aprovechando que el paquete GameTheoryAllocation ha emergido de mi FIFO de pendientes a los pocos días de conocerse los resultados de las [adjetivo superlativizado omitidísimo] elecciones generales, voy a calcular de la manera más naíf que se me ocurre el índice de Shapley de los distintos partidos. Que es:
Al menos, de acuerdo con el siguiente código:
library(GameTheoryAllocation)
partidos <- c(123, 66, 57, 35, 24, 15, 7, 7,
6, 4, 2, 2, 1, 1)
names(partidos) <- c("psoe", "pp", "cs", "iu",
"vox", "erc", "epc", "ciu",
"pnv", "hb", "cc", "na",
"compr", "prc")
coaliciones <- coalitions(length(partidos))
tmp <- coaliciones$Binary
profit <- tmp %*% partidos
profit <- 1 * (profit > 175)
res <- Shapley_value(profit, game = "profit")
res <- as.vector(res)
names(res) <- names(partidos)
res <- rev(res)
dotchart(res, labels = names(res),
main = "naive shapley index \n elecciones 2019")Lo del índice de Shapley, de ignorarlo, lo tendréis que consultar por vuestra cuenta. Al menos, para saber por qué no debería usarse tan frecuentemente (en problemas de atribución, entre otros).
