Modelo bayesiano espacio-temporal DAGAR para estimar los casos de operaciones sospechosas en la provincia de Lima

Abstract

En esta tesis se propone un enfoque bayesiano para la estimación de modelos espacio-temporales de áreas basados en la estructura DAGAR (Directed Acyclic Graph Autoregressive). Se desarrollan dos variantes del modelo: una con componentes espacio-temporales lineales y otra que incorpora una dinámica temporal modelada mediante un paseo aleatorio de primer orden. Ambos modelos incluyen efectos espaciales estructurados y no estructurados, y son estimados utilizando inferencia bayesiana a través del método de aproximaciones de Laplace integradas e iteradas (INLA). Se realizaron estudios de simulación para evaluar el desempeño de los modelos bajo distintos niveles de autocorrelación espacial, analizando la precisión en la estimación de parámetros. Finalmente, se aplicó el modelo a datos reales sobre reportes de operaciones sospechosas (ROS) en el Perú, permitiendo identificar patrones espacio-temporales relevantes para las políticas de prevención y lucha contra el lavado de activos.

This thesis proposes a Bayesian approach for the estimation of area-level spatio-temporal models based on the DAGAR (Directed Acyclic Graph Autoregressive) structure. Two model variants are developed: one with linear space-time components, and another that incorporates a temporal dynamic modeled through a first-order random walk. Both models include structured and unstructured spatial effects and are estimated using Bayesian inference through the Integrated Nested Laplace Approximation (INLA) method. Simulation studies were conducted to evaluate model performance under different levels of spatial autocorrelation, focusing on parameter estimation accuracy. Finally, the model was applied to real data on suspicious transaction reports (ROS) in Peru, enabling the identification of relevant spatio-temporal patterns to inform anti-money laundering and prevention policies.