Análisis del efecto del COVID-19 en la mortalidad en España

Abstract

El presente trabajo analiza la evolución temporal de la mortalidad mensual en España con el objetivo de modelar su comportamiento y estudiar su cambio tras la pandemia de COVID-19. Se realiza una descomposición de las series temporales para identificar patrones estacionales y de tendencia, observándose una marcada estacionalidad anual sin una tendencia clara antes de la pandemia. Para detectar cambios estructurales en la serie, se aplica el test de Bai-Perron, identificando puntos de ruptura que coinciden aproximadamente con las fases de impacto del COVID-19. Posteriormente, se evalúa la estacionariedad de la serie pre-COVID mediante los tests ADF y KPSS, concluyendo una estacionariedad débil, y se ajustan dos modelos: Holt-Winters y SARIMA(0, 0, 1) × (1, 1, 0)12. El análisis de residuos, las métricas de error y los criterios de información (AIC, BIC) indican que el modelo SARIMA ofrece un mejor ajuste. A partir de este modelo se generan predicciones para el periodo post-COVID, permitiendo estimar la mortalidad esperada y comparar con la observada. Se identifican periodos de exceso de mortalidad, especialmente al inicio de la pandemia, seguidos de una convergencia progresiva hacia los valores esperados.

Abstract: This paper analyzes the temporal evolution of monthly mortality in Spain with the aim of modeling its behavior and studying its changes after the COVID-19 pandemic. A decomposition of the time series is performed to identify seasonal and trend patterns, revealing a marked annual seasonality without a clear trend prior to the pandemic. To detect structural changes in the series, the Bai-Perron test is applied, identifying breakpoints that approxi- mately coincide with the phases of COVID-19 impact. Subsequently, the stationarity of the pre-COVID series is evaluated using the ADF and KPSS tests, concluding weak stationarity, and two models are fitted: Holt-Winters and SARIMA(0, 0, 1) × (1, 1, 0)12. Residual analysis, error metrics, and information criteria (AIC, BIC) indicate that the SARIMA model provides a better fit. Based on this model, forecasts are generated for the post-COVID period, allowing the estimation of expected mortality and comparison with observed values. Periods of excess mortality are identified, especially at the beginning of the pandemic, followed by a progressive convergence toward expected values.