自回归移动平均模型在医疗服务需求预测中的应用

目的拟合医疗服务需求时间序列资料的预测模型。方法采用自回归移动平均模型对出院人次进行模型拟合。结果模型拟合得到的最优模型为一阶自回归移动平均模型,模型预测2020年某市三甲医院的出院总人次将为93.88万人次。结论自回归移动平均模型适用于出院总人次时间序列模型拟合,预测结果显示,在没有外来干预因素影响的情况下,三甲医院出院总人次将会延续2009年以前的上升趋势继续上涨。     

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.     

Auto-regressive模型在全国婴儿死亡率拟合中的应用

目的 分析我国1991～2007年的婴儿死亡率的变化规律,探讨Auto-regressive模型在非平稳时间序列数据拟合中的适用性和有效性.方法 对我国婴儿死亡率数据序列的平稳性和纯随机性进行预处理,然后利用SAS程序拟合Auto-regressive模型,并根据决定系数R2评价其拟合效果.结果 我国婴儿死亡率为非平稳时间序列,总体呈现随时间线性递减的长期趋势,同时又包含一定的随机信息,采用Auto-regressive模型拟合效果较好.结论Auto-regressive模型可以用来拟合我国婴儿死亡率的数据,并可以推广应用到卫生领域中其他具有非平稳时间序列特征的数据,为相关卫生管理部门制定策略措施提供科学的理论依据.     

广义相加模型在细菌性痢疾预警中的应用

目的探讨应用广义相加模型进行细菌性痢疾预测预警的可行性。方法收集上海市2004～2008年逐日细菌性痢疾发病资料和当地气象数据。采用时间序列的广义相加模型,在控制长期趋势、季节趋势及星期效应等混杂因素的基础上,分析气温、相对湿度、气压等气象因素与细菌性痢疾发病的关系。将广义相加模型得到的预测值的95%范围的上限值作为当前细菌性痢疾发病水平的预警限。结果模型预测的动态趋势与实际情况基本一致,模型的拟合效果较好。2009年细菌性痢疾日报告病例数大多数都落入了预测值的可信区间范围,未达到预警限,与实际流行情况相符。结论广义相加模型可应用于细菌性痢疾预测预警,为疫情防控提供科学依据。     

浙江省食物中毒死亡人数的时间序列分析

目的探讨应用时间序列ARIMA模型进行食物中毒死亡人数预测的可行性。方法应用时间序列分析1992-2001年浙江省10年各个季度食物中毒发生情况，同时进行ARIMA模型拟合，并用所得的模型对2002-2007年各个季度的食物中毒死亡人数情况进行预测，将预测值与实际值进行比较。结果建立了浙江省食物中毒死亡人数的ARIMA模型方程，显示75.0％实际值在预测值的可信区间内。结论时间序列模型在食物中毒死亡人数预测中具有一定的价值。     

应用R软件对比两种手足口病发病预测模型的效果

目的 使用R软件对手足口病发病时间序列模型进行分析与对比,探索较佳的手足口病发病预测模型.方法 利用广州市2009-2013年手足口病月报告病例数作为建模数据,采用R软件中的Holt-Winter指数匀滑模型和季节性差分自回归移动平均模型(SARIMA)分别预测2014年12个月份的发病情况,将预测结果与2014年实际发病数进行比较.结果 对广州市2014年1-12月手足口病发病数进行预测,并将预测值与实际值进行比较,结果显示:采用Holt-Winter指数匀滑法和SARIMA预测结果的平均相对误差分别为-0.40和0.12.结论 SARIMA为较佳的预测分析模型,预测结果能较好地拟合广州市手足口病发病序列并进行短期的有效预测.     

含缺失值时间序列的ARMA模型拟合

目的 给出一种有效的处理含缺失值时间序列的方法，完成缺失值的内插及ＡＲＭＡ模型的参数估计。方法 用状态空间的Ｍａｒｋｏｖ表达描述时间序列，进而采用Ｋａｌｍａｎ滤波技术。结果 实例分析表明，不仅可以完成缺失值的有效内插，模型拟合效果及预测结虹也甚为柒满意。结论 用基于状态空间表达的Ｋａｌｍａｎ滤波技术，可以实现平稳可逆时间序列中缺失值的内插及ＡＲＭＡ模型拟合。     

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.     

成都市人口死亡率时间序列分析与预测

目的采用时间序列分析和预测成都市人口死亡率的动态发展趋势,建立时间序列模型,考察模型的应用效果并做出预测。方法利用时间序列自相关系数和偏相关系数识别模型,采用最小二乘法估计模型参数,用Box-Ljung统计量评价ARIMA模型的拟和度,用平均预测相对误差作为预测效果的评价指标。结果建立乘积ARIAM(0,1,1)(0,1,1)12模型,模型平均绝对百分误差MAPE=8.50%。成都市人口死亡率自2000年逐渐下降,预计序列后2年将继续呈现下降趋势。结论所运用的时间序列分析和预测模型拟合效果较好,可应用于疾病发病和死亡动态变化规律的分析和其未来发展趋势的预测、预报。     

重庆市主城区人口死亡率的时间序列分析

目的 分析和预测重庆市主城区人口死亡率的动态发展趋势，为科学的制定卫生政策、干预措施提供依据，并探索时序模型在医学领域中的运用。方法 采用整群抽样的方法抽取重庆市主城区中3个社区1994～2000年人口及其死亡情况的资料。应用确定型的时间序列分解法乘法模型与随机型的ARMA模型相结合，建立重庆市主城区人口死亡率的时间序列模型。结果 模型的决定系数R2=0.7435，平均绝对百分误差MAPE=10.59％。1995～1998年重庆市主城区人口死亡率继1994年下降以后有上升趋势，1998年后逐渐下降，预测2001年将继续呈现下降趋势。结论 时间序列模型能较客观的反映死亡率的发展变化规律，所运用的时序分析和预测模型拟合效果较好。可推广应用于疾病发病或死亡动态变化规律的分析和其未来发展趋势的预测、预报。结果表明，重庆市主城区近年来的 健康保健、卫生医疗政策措施收效较好。     

ARIMA乘积季节模型在流行性腮腺炎发病率预测中的应用

目的构建时间序列分析ARIMA乘积季节性模型,预测武汉市2013年流行性腮腺炎发病趋势,探讨该模型在流行性腮腺炎发病率预测中的应用。方法利用中国疾病监测信息报告系统2005年1月至2012年12月武汉市流行性腮腺炎月发病资料,运用PASWStatistics18．0专家建模器,考虑季节性因素建立ARIMA预测模型,并将所建模型对2013年流行性腮腺炎月发病率进行预测。结果模型残差序列为白噪声,ARIMA（0,1,0）（0,1,1）。：模型构建理想,能较好地拟合时间序列,2013年流行性腮腺炎月发病高峰在5～7月,至11、12月出现次要高峰。结论专家建模器构建乘积季节性模型拟合效果较好,但在实际工作中要充分考虑流行性腮腺炎各项防控措施推行等影响因素,综合分析,为防控工作提出理论与实证建议。     

Design considerations for case series models with exposure onset measurement error

The case series model allows for estimation of the relative incidence of events, such as cardiovascular events, within a pre‐specified time window after an exposure, such as an infection. The method requires only cases (individuals with events) and controls for all fixed/time‐invariant confounders. The measurement error case series model extends the original case series model to handle imperfect data, where the timing of an infection (exposure) is not known precisely. In this work, we propose a method for power/sample size determination for the measurement error case series model. Extensive simulation studies are used to assess the accuracy of the proposed sample size formulas. We also examine the magnitude of the relative loss of power due to exposure onset measurement error, compared with the ideal situation where the time of exposure is measured precisely. To facilitate the design of case series studies, we provide publicly available web‐based tools for determining power/sample size for both the measurement error case series model as well as the standard case series model. Copyright © 2012 John Wiley & Sons, Ltd.     

1977—2008年常熟市胃癌死亡率趋势的时间序列分析

目的对1977—2008年常熟市胃癌死亡趋势进行趋势分析。方法观察原始序列图特点、序列的随机性和平稳性,确定适宜的时间序列模型进行预测分析。结果 1977—2008年常熟市胃癌死亡率呈下降趋势,模型为Xt=42.7471-0.7910t,系数呈显著性,估计2011年该市的胃癌死亡率15.85/10万。结论常熟市胃癌死亡率呈下降趋势,可用直线模型预测该市的胃癌死亡率。     

传染病异方差性时序数据的建模与拟合

目的探讨异方差性时间序列模型在传染病疫情数据分析中的应用。方法分别采用ARIMA和AR-GARCH模型对某市淋病发病率月报数据进行建模和拟合。结果本资料构成的时间序列经检验具有明显异方差性,经模型比较和筛选,AR（1）-GARCH（0,1）模型能够较好的拟合本研究中传染病疫情时序数据。结论AR-GARCH模型适用于传染病疫情数据构成的异方差性时序数据分析。     

弹性BP神经网络在结核病发病率预报中的应用

[目的]探讨弹性BP神经网络在时间序列资料分析中的应用,建立结核病发病率的预测模型。[方法]利用重庆市结核病防治所于1993～2003年登记的结核病发病率时间序列资料,以双曲正切S型函数为传输函数、隐层节点为6的三层BP神经网络,建立了2种结核病发病率的非线性时间序列预测模型。[结果]建立的ANN2预测模型简单易行,预测值平均相对误差为0.06999,预测精度高。[结论]BP人工神经网络可以用于结核病发病率或死亡率的预测。     

AR-EGARCH模型在疾病指数时间序列建模中的应用研究

目的探索带有影响因素的疾病指数时间序列建模方法。方法采用黄瓜霜霉病病情指数时间序列从方法学的角度进行预测方法研究，将主成分回归模型和自回归条件异方差模型结合起来，建立AR（2）-EGARCH（0，2）模型。结果AR（2）-EGARCH（0，2）模型用应变量的过去值、过去误差和自变量的当前值、过去值的线性组合来预测病情，克服了主成分回归模型误差项不独立或存在异方差的缺点。模型取得了较好的预测效果。结论AR（2）-EGARCH（O，2）模型为本研究获得的预测效果较好的时间序列模型。适合于类似时间序列数据的结果预测。     

应用指数曲线预测伤寒副伤寒疫情

[目的]分析松江区1997~2004年伤寒、副伤寒历史疫情资料,建立外推预测模型对其疫情进行定量预测。[方法]对伤寒、副伤寒发病率时间序列(1997~2003)采用指数曲线拟合,并对2004年伤寒、副伤寒疫情作出预测。[结果]指数曲线预测方程为y^=e2.110600-0.300914X;|t|>t0.05,P<0.05,预测方程有意义;R2(判定系数)接近于1,表明预测误差较小;经拟合优度检验∑2χ<20.χ95(6),P>0.95,表明伤寒、副伤寒实际发病率与预测发病率间差异无显著性(包括对2004年发病率预测值检验)。[结论]对发病率时间序例呈单调下降且影响发病的主要因素保持稳定的一类传染病,采用指数曲线拟合进行疫情预测,具有可行性与可操作性,在实际工作中值得应用。