ARIMA干预模型在医院门诊量预测中的应用

目的分析医院月门诊量变化趋势，对医院月门诊量预测方法进行探讨。方法提取某医院2000年1月到2007年5月月门诊量数据，分析该时间序列变化趋势，并分别应用ARIMA干预模型和非干预模型对其进行预测。结果该时间序列具有季节性变化同时有增大的趋势。ARIMA干预模型预测值较非干预模型预测值更接近实际值。结论月门诊量变化趋势较复杂，影响因素较多，应用ARIMA干预模型方法进行预测可以取得较好的预测效果。     

应用时间序列分析法在医院双胎妊娠情况统计中的预测研究

目的探索时间序列分析法ARIMA预测模型在医院双胎妊娠情况统计中的应用。方法运用时间序列分析法ARIMA模型预测医院双胎妊娠情况的发展趋势。结果建立ARIMA(3,1,1)(1,1,1)模型,预测医院未来2年在双胎妊娠情况中有向上的趋势性和季节性,预测数据在5月、8月和12月双胎妊娠情况中呈现高峰。结论 ARIMA(3,1,1)(1,1,1)模型可以较好的拟合2009-2012年湖南省妇幼保健院双胎妊娠情况统计的时间变化趋势。应用时间序列分析法ARIMA模型在医院双胎妊娠情况统计的预测研究精度较高,是一种理想的研究方法,能够为医院管理提供科学依据。     

基于时间序列分析法的医院月门诊量预测模型

目的 分析影响医院月门诊量的主要因素,提高医院月门诊量预测工作准确性,提高科学预见性. 方法 采用X-11季节调整方法、引入虚拟变量拟合趋势直线方程,剔除趋势后建立ARIMA模型,预测医院的各月门诊量,并与月门诊量时间序列直接建立的ARIMA模型进行比较. 结果 趋势模型3个参数的拟合系数均很显著,以残差序列所建立的ARIMA模型的参数也均是显著的. 结论 剔除季节因素和趋势因素建立的ARIMA模型,对时间序列进行拟合的结果远远优于直接对月门诊量建立的ARIMA模型的拟合结果.ARIMA模型更适合于做短期预测,对剔除季节因素和趋势因素的平稳时间序列以ARMA模型拟合后,再合成季节因素和趋势因素的模型所做的中长期预测精度高.     

海南省人均卫生费用的自回归移动平均模型研究

目的 :通过对海南省人均卫生费用的自回归移动平均(ARIMA)模型预测,为地方卫生行政部门的科学决策提供参考。方法:利用Eviews 5.0统计软件对时间序列数据进行处理和分析,建立ARIMA模型进行预测和检验。结果 :ARIMA(3,2,2)模型为海南省人均卫生费用提供了较好的预测,模型反映人均卫生费用呈现逐年增长的趋势。结论:人均卫生费用逐年增长,海南卫生行政部门应合理控制卫生费用增长。     

山东省潍坊市专业卫生人员总量趋势预测研究*

目的通过对2006—2015年潍坊市专业卫生人员数量变化情况进行分析,建立卫生人员的趋势预测模型,对未来卫生人员的发展趋势做出预测和定量描述。方法利用回归模型和ARIMA模型预测"十三五"时期潍坊市卫生人员发展情况。结果 ARIMA模型的BOX-Jenkins建模预测结果显示,除2015—2016年的增长率为负外,2016—2020年卫生专业人员数及增长率一直呈上升状态。前三年最后的预测结果:76 208,83 957,100 385,增长率分别为-6.06%、10.17%、19.57%,趋势为先下降后上升。结论 ARIMA模型比回归预测模型拟合效果好,ARIMA模型较好地模拟了潍坊市专业卫生人员数在时间序列上的变化趋势,预测结果可为今后卫生决策提供理论和数据支持。     

基于R语言的ARIMA模型对医院早产趋势的预测分析

目的 构建医院早产时间序列的自回归移动平均模型(ARIMA),预测医院早产变化趋势,为合理配置医疗资源、政策制订提供科学依据。 方法 收集深圳市妇幼保健院2016年逐日早产例数,运用R语言进行时间序列分析,构建ARIMA预测模型,并对预测效果进行评价。 结果 2016年深圳市妇幼保健院早产1 738例,其最佳预测模型为ARIMA(3,1,1),该模型最小赤池信息量准则为1 680.67,模型残差序列Ljung-Box检验=0.16,差异无统计学意义(P=0.689),提示残差为白噪声序列,模型拟合良好。模型预测平均相对误差为9.2%,实际值均在预测值95%可信区间内。 结论 ARIMA(3,1,1)模型能较好地模拟深圳市妇幼保健院早产变化趋势,具有良好的预测效果。     

时间序列模型在医院感染发生率拟合预测中的比较研究

目的 探讨不同的时间序列模型在医院感染发生率预测中的应用价值.方法 以2005年1月至2010年12月宁夏某三甲医院的医院感染发生率建立ARIMA模型、指数平滑模型、灰色模型,以2011年1～10月的医院感染发生率资料检测模型预测值和实际值的拟合程度,评价各模型的预测准确性,确定对特定医院感染发生率的的最优预测模型.结果 ARIMA模型、指数平滑模型、灰色模型的预测MAPE值分别为12.50、10.41、19.03,模型预测评估等级为良好,其中指数平滑模型最优.结论 用时间序列模型对医院感染发生率的拟合预测效果良好,可为医院感染的整体监控提供参考依据.     

预测模型在门诊量分析与预测中的应用

目的分析门诊人次数据,探讨SPSS12.0软件中时间序列模型在门诊量数据分析中的应用方法。方法根据某医院1998—2005年门诊人次历史资料,研究数据的季节性特征,指数平滑模型、自回归模型以及ARIMA模型的应用情况,并对三模型进行比较。结果ARIMA模型的平均预测相对误差较小,预测效果最好。结论预测方法有很多种,并没有一种方法适用于各种情况,因此针对不同的情况选择合适的预测方法非常重要,ARIMA模型适用于医院门诊人次数据预测。     

随机时间序列分析法在传染病预测中的应用

目的阐述ARIMA模型拟合时间序列的方法和步骤,并将其应用于乙型肝炎的预测,为传染病预警系统提供决策依据。方法利用SPSS统计软件求解适宜的ARIMA模型,据所得误差评价预测效果。结果通过对乙型肝炎发病率的预测,相对误差在15%左右,预测效果较为可靠。结论在乙型肝炎的近期预测中引入时间序列的ARIMA模型分析方法,能够对传染病的预测产生积极的指导意义。     

天津市"十二五"期间卫生资源需求预测分析

目的本次研究旨在通过建立时间序列相关模型对天津市卫生资源的人、财、物三方面进行趋势分析和预测。方法收集了天津市1980～2008年医院、卫生院卫生技术人员数、床位数、卫生事业费用,运用时间序列相关模型分别对其进行了预测。结果对数据进行了时间序列相关分析模型的筛选后,最后选用ARIMA(1,1,1)模型对天津市医院、卫生院卫生技术人员数进行趋势分析和预测,采用随机游走模型对天津市医院、卫生院床位数、卫生事业费用进行趋势分析和预测,其样本内预测其平均相对误差分别为0.023、0.022、0.074,卫生技术人员数和床位数样本外预测结果平均相对误差分别为0.0053、0.012,卫生事业费用数样本外预测相对误差为0.144。结论时间序列方法在天津市卫生资源人、财、物方面预测中显示了较好的精度,预测结果可为我市十二五期间卫生资源的配置提供科学的参考。     

基于预报效果的ARIMA模型筛选

目的通过分析不同提前期的预报结果与提前量之间的关系,筛选出与预报目的相适应的ARIMA模型,从而使筛选得到的模型有可靠的预报效果.方法按照时间顺序逐段选择观察长度为50的序列片段并拟合ARIMA模型,初步筛选出6个在某些时段具有良好拟合效果的模型,借助这些模型进行提前期分别为1、2、5、10的预报,用对应分析方法考察预报效果与提前期间的关系.结果选用不同的模型,在不同提前期预报的精密度和精确度会有所不同.结论在以预报为目的的时间序列分析应用中,为了求得最终的良好预报效果,可以仿照本文提供的方法考核若干初选模型的预报特性,进而确定模型,而不是拘泥于拟合效果.这对ARIMA模型之外的其他形式预测模型的应用也有普遍指导意义.     

SPSS在医院统计预测中的应用

目的　探讨SPSS 8.0统计软件包中回归、指数平滑及ARIMA等时间序列分析模块的建模及诊断方法。方法　根据某医院 1995年 1月— 2 0 0 1年 11月的门诊人次历史资料 ,建立对数模型、指数平滑模型和ARIMA乘积模型 ,并对三者的预测结果进行比较分析。结果　对数模型、指数平滑模型和ARIMA乘积模型的预测平均相对误差分别为 14 .34% ,8.14 %和 4 .89%。结论　ARIMA乘积模型适于对有趋势性和周期性的门诊量数据进行预测。SPSS 8.0统计软件包时间序列分析模块操作方便 ,在医院统计预测中有广阔的应用前景     

ARIMA模型、BP神经网络及其组合模型在卫生政策评估中的实证比较:以公立医院价格改革为例

目的:探索不同反向事实构建方法对医院财务数据预测的效率,以期对政策进行更有效的评估。方法:借助R软件,用南京市公立医院A在2011—2016年的药品收入、医疗服务收入建立测试数据集,分别用ARIMA模型、BP神经网络、ARIMA+BP组合模型进行预测并与实际拟合,并比较改革前后补偿率。结果:三个模型对药品收入的均方根误差分别为692.82、501.44、380.80,医疗服务收入的均方根误差分别为184.04、215.63、168.65,组合模型预测效率更高。用组合模型计算改革后A医院药品收入净损失为12 044.03万元,医疗服务收入净增长为18 532.60万元,为药品收入损失的153.87%。结论:医院财务数据因其线性与非线性的组合特征,使用组合预测模型的预测效果最佳。但在实际应用中,ARIMA模型操作简单,与组合模型预测趋势也较为一致,在实际卫生政策评估中也推荐使用。     

ARIMA和VARMA模型在医院管理中的应用

目的通过对医院门诊量、急诊量和住院量三项指标的预测,对医院运营状况进行早期预警,评价医院的经营策略。方法通过对某三级医院1999—2008年月门、急诊量、住院量分析,分别为门诊量、急诊量和住院量建立ARIMA模型,以整体数据建立VARMA模型,然后用上述模型对某医院2008年1~12月的门诊量、急诊量和住院量预测并和实际值比较。结果 AR IMA模型预测急诊量、住院量数据可靠,平均相对误差分别为5.63%和3.11%,在预测门诊量时不太理想,平均相对误差达到13%;VARMA模型在预测整体数据时良好,预测门诊量改善尤其明显,平均相对误差降低到8.97%,在预测急诊量、住院量,平均相对误差有所增加。结论单用某一预测方法时,总存在着一定的缺陷,综合应用AR IMA和VARMA模型可为医院管理者提供合理的决策。     

三种时间序列模型预测医院感染发病率的比较

目的比较和评价不同时间序列模型预测医院感染发病率的效果,探索可用于预测医院感染发病率的最佳模型。方法以上海某三级甲等医院2011—2016年累计72个月的月度医院感染发病率数据作为拟合集构建季节性自回归移动平均模型(ARIMA)、NAR神经网络模型和ARIMA-BPNN组合模型,以2017年1—12月的月度感染发病率数据作为预测集检验模型的预测效果,评价比较不同模型的预测效果。结果对于拟合集,ARI-MA模型、NAR神经网络模型和ARIMA-BPNN组合模型的MAPE分别为13.00%、14.61%和11.95%;对预测集,三者的MAPE分别为15.42%、26.31%和14.87%。结论三种时间序列模型对医院感染发病率均具有较好的预测效果,其中ARIMA-BPNN组合模型对拟合和预测该院医院感染发病情况最佳,可为医院决策提供一定的数据支持。     

基于ARIMA模型的春节因素调整方法研究

目的 研究基于ARIMA模型的春节因素调整方法.方法 构建通用的春节因素变量,将其作为回归变量纳入季节性ARIMA回归模型(regARIMA或TRAMO),采用AIC或BIC对模型的效果进行判断,确定最优模型.采用广义最小二乘法或最大似然法进行参数估计,并根据估计出的回归系数计算春节因素的影响程度.通过实例分析对上述方法进行实证.结果 实例分析表明,引入春节因素变量后的季节调整方法能有效地消除春节因素对时间序列的影响.并能定量分析春节因素的影响程度.结论 构建的春节因素变量具有较好的适用性,基于ARIMA模型的春节因素调整方法能有效地运用于时间序列的季节调整,为分析春节因素的影响提供了一种新的方法.     

Effects of environmental factors on the number of emergency admissions to the Hospital Complex Juan Canalejo in La Coruña: creation of a prediction model

BACKGROUND: This study is aimed at establishing the possible associations between the number of admissions through the emergency room at the "Juan Canalejol" Hospital in Corunna in 1994-1994 due to organic, circulatory and respiratory reasons and the weather variables introduced as being exogenous for the purpose of preparing a prediction model. METHODS: The Box-Jenkins methodology is used for obtaining univariate ARIMA models of the time-based series taken into consideration. Cross-Correlation Functions (CCF's) are established among the series of residuals which afford the possibility of establishing weights and lags among the variables for a subsequent modeling by means of multivariate ARIMA models which include environmental variables. RESULTS: The emergency admissions for organic reasons significantly increase 0-2 days following a rise in temperature. The admissions due to respiratory ailments are associated with drops in temperature with 10-14 lags, whilst the admissions for circulatory reasons increase significantly due to long-lasting spells of hot weather (10 lags). For people over age 65, significant increases in emergency admissions for circulatory reasons are also recorded with cold snaps. The multivariate ARIMA models that take into account the effect of environmental variables provided the best adjustment for all of the admissions variables. CONCLUSIONS: The number of emergency room admissions at the "Juan Canalejo" Medical Center Complex in Corunna due to organic, respiratory and circulatory causes shows a seasonal behavior pattern. The admissions for respiratory reasons are associated with a drop in temperature, whilst the admissions for circulatory reasons are affected fundamentally by hot weather, although also by cold weather as regards people over age 65. The multivariate ARIMA models including climate-related variables provide a system for predicting admissions in terms of said variables that can be useful from the standpoint of hospital management.     

ARIMA与LSTM模型在医院出院人次预测中的比较研究

目的 通过ARIMA乘积季节模型和LSTM神经网络模型拟合某三甲专科医院的月出院人次并进行预测,比较两种模型的预测效果.方法 运用某三甲专科医院2013—2018年度的月出院人次,分别构建ARIMA乘积季节模型和LSTM神经网络模型,然后利用所得的模型对2019年度的月出院人次进行预测并与实际数据进行比较.采用平均绝对...