时间序列分析简明攻略

目的 面向医疗卫生领域的一线工作者，使读者在阅读本文后，即可将时间序列分析应用于实践。方法 利用SAS6．12软件包拟合时间序列模型。结果 通过两步拟合，可得到较佳的时间序列模型。结论 短序列应仅进行确定型时间序列分析；长序列应在确定型时间序列分析基础上结合随机时间序列分析，可得到较佳的时间序列模型。     

应用随机时间序列分析法对军队乙型肝炎疫情的预测研究

[目的]探讨应用ARMA模型拟合时间序列的方法,并将其应用于军队乙型肝炎的预测,为传染病预警系统提供决策依据. [方法]利用SPSS软件对全军1996～2005年乙型肝炎的月发病数据进行建立模型.并用所建模型对2006乙肝逐月发病人数进行预测,将预测值与实际值进行比较. [结果]ARIMA(0,1,1)×(0,1,1)12模型较好地拟合了既往时间段上的发病序列,其对2006年各月发病人数的预测值符合实际发病人数的变动趋势. [结论]在乙型肝炎的近期预测中引入时间序列的ARMA模型方法,为传染病预测具有指导意义.     

简易季节时间序列资料分析方法

简易季节时间序列资料分析方法第三军医大学卫生统计学教研室许汝福，王文昌，尹全焕，张蔚关于季节时间序列资料的分析通常采用经典时间序列分析技术，对其长期趋势、季节变动、周期变动及不规则变动等方面进行分析［１］如季节自回归模型［２］，季节变动分析法［３］等...     

小波神经网络在季节性时间序列预测中的应用

目的 对季节性时间序列进行建模与预测.方法 用小波神经网络,对冒纳罗亚山天文台测量的1959～2010年大气月平均二氧化碳浓度数据进行建模预测,并在Matlab7.0编程实现.结果 采用小波神经网络对大气二氧化碳浓度进行预测,其平均预测精度为99.852％.结论 小波神经网络的预测精度高,可以较好地应用于季节性时间序列的预测.     

基于协整的预测模型

对时间序列进行分析 ,大多数的研究都是建立在时间序列是平稳的这一假设条件成立基础上的 ,即时间序列的概率结构不随时间而改变。否则 ,基于各种常规假设检验方法的结论是可疑的 ,这就大大的限制了各种方法的应用领域 ,特别是实践中的时间序列又以非平稳的居多。为使有关的研究成果能应用到非平稳时间序列 ,学者们曾不断的寻求把数据经过变换以满足平稳性的方法。常用的方法是先对非平稳的序列进行差分 ,然后用差分的序列建模。但是 ,这样会丢失一些有用的长期信息。一个时间序列关于其他时间序列的回归常常会导致无意义或谬回归 ,以此建立…     

时间序列分析法在香港结核病预测中的应用

目的 阐述ARIMA模型拟合时间序列的方法和步骤,并将其应用于结核病的预测,为传染病预警系统提供决策依据.方法 利用SPSS统计软件对香港1997年到2008年结核病数据进行基本趋势分析并检验数据的平稳性,对平稳处理后的时间序列构建ARIMA模型,并对所建立的模型进行相关性检验,预测出未来一年的数据.结果 通过对结核病的预测,相对误差在3％左右,预测效果较为可靠.结论 在结核病的近期预测中引入时间序列的ARIMA模型分析方法,能够对结核病的预测产生积极的指导意义.     

ARIMA模型在我国病毒性肝炎发病率预测中的应用

从系统论的角度看,时间序列就是某一系统在不同时间(地点、条件等)的响应,因此可以通过对时间序列的研究来认识系统的结构特征,揭示其运行规律,进而用以预测〔1〕。时间序列分析作为一种有效的数据挖掘方法,在工程、经济学等领域的运用已经相当普遍,在疾病发病率的预测研究中应用也越来越多〔2,3〕。     

模糊时间序列分析在肾综合征出血热发病率预测的应用初探

目的 探讨模糊时间序列分析在传染病发病率预测的应用价值.方法 采用模糊时间序列分析方法,对2004年1月～2010年7月我国内地法定报告的肾综合征出血热(HFRS)逐月发病率资料建立预测模型,并对2010年8月～2010年11月的相应数据进行预测,并将预测结果与传统SARIMA模型预测结果进行比较.结果 本次研究结果显示,模糊时间序列分析相对于SARIMA模型,有较好的预测能力.结论 模糊时间序列分析对于HFRS等传染病发病率的预测具有较好的应用价值.     

季节时间序列模型在菌痢发病预测中的应用

目的研究SARIMA模型拟合季节时间序列的方法,并将其应用于菌痢发病的预测,探讨该模型进行传染病预警的可行性。方法利用Eviews软件对江苏省菌痢的月发病数据进行建模,首先采用取对数、差分等方法对序列进行平稳化,然后进行模型参数的估计、检验,最优模型的筛选,最后进行预测分析。结果 SARIMA(1,1,2)(1,1,1)12较好地拟合了江苏省菌痢的月发病数据,预测效果良好。结论 SARIMA模型可用于具有季节性、周期性波动的传染病发病的动态分析和短期预测。     

残差自回归模型在中国人口出生率预测中的应用

时间序列是将某一指标在不同时间上的数值按时间先后顺序排列而成的数列(1).时序分析中对非平稳时间序列的处理有两种方法:(1)确定性分析方法,假定序列的变化不是变化莫测的,而是可以用一条趋势线来加以刻画的,即序列的趋势是时间t的确定函数,常用的方法有线性模型、指数模型等(2).该方法只能提取确定性信息,没有利用随机性信息.(2)随机性分析方法,ARIMA模型是典型代表,通过差分方法提取确定性信息,能提高非平稳序列的拟合精度,但难以对模型进行直观解释.     

时间序列的异常点诊断方法

时间序列是指按照时间先后顺序排列的各个观测记录的有序集合,广泛存在于商业、经济、工程、社会科学和医学等领域.随着时间的推移,时间序列通常包含大量的信息,是建模和预测的主要依据.对时间序列进行分析,可以揭示事物运动、变化和发展的内在规律,对于人们正确认识事物并据此做出科学决策具有重要的现实意义.但在分析时间序列时,经常会发现一些特殊的数据或者数据段,它们的波动与数据集中其他数据的波动有着显著的不同,这种极少出现的数据点或者数据段就称为异常点.Box等(1994)[1]指出异常点对时间序列的模型识别、参数估计、诊断检验乃至预测都有重要的影响.自1972年A.J-Fox在时间序列中首次定义异常点以来,国内外已有大量相关的研究文献[2-7].若序列中含有异常点,就会使传统的建模、估计及检验方法陷入困境,从而给不出准确的预测和控制.因此,近年来关于时间序列中的异常点诊断问题受到统计学界的重视.     

X-11季节调整方法在医院时间序列分析中的应用

时间序列是指按时间顺序排列的随机变量，季节分析是对时间序列中由于季节性因素造成的影响进行分析的过程。用于时间序列分析的季节分析方法主要有以下几种：季节指数法、指数平滑法、趋势季节模型、圆形分布法、集中度法、X-11方法等。季节调整的问题首先是由美国经济学家1919年提出的，此后，有关季节调整的方法不断地出现和改进。     

2014-2020年成都市大气污染物与呼吸系统疾病门诊量的时间序列研究

目的 了解成都市空气污染物污染状况及对成人和儿童呼吸系统疾病门诊量的影响.方法 收集2014-2020年度成都市3家综合医院的成人和儿科呼吸系统疾病日门诊量、空气污染物(PM10、PM2.5、NO2、CO、SO2)浓度和气象数据(温度、湿度)资料.在控制时间趋势、"星期几效应"以及温湿度等混杂因素基础上,采用时间序列的...     

宁波市镇海区伤寒疫情ARIMA时间序列模型分析

时间序列分析是专门用于分析时间序列资料的统计模型。它考虑的不是变量间的因果关系，而是重点考察变量在时间方面的发展变化规律，并为之建立数学模型。时间序列分析法中又有指数平滑法、自回归线性模型、ARIMA模型和季节解构。这四种方法各有其特点，比较常用的就是ARIMA模型，对于这种预测方法在疾病预防控制中有广泛的用途。     

不同时间序列分析法在洞庭湖区血吸虫病发病预测中的比较

目的 通过比较时间序列分析中指数平滑法、移动平均法、自回归分析及自回归综合移动平均法(ARIMA)在洞庭湖区退田还湖濠口试点1990～2002年血吸虫病患病率预测中的优劣。方法 用时间序列分析各方法建模预测,比较各方法1994～2002年预测值的误差平方和,确定最佳预测方法。结果 指数平滑法、移动平均法、自相关分析及ARIMA法中1994～2002年预测值的误差平方和依次为39.40、39.86、26.63、22.54。结论 濠口试点1990～2002年患病率预测中,时间序列分析诸方法中ARIMA模型预测效果较好。     

湖北省宜昌市1951-2006年疟疾发病趋势及预测

目的通过对宜昌市1951-2006年疟疾发病趋势进行分析,运用时间序列分析建立适当的模型,对疟疾的发病进行预测,为制定预防和控制措施提供依据.方法采用描述性流行病学方法分析宜昌市1951-2006年疟疾发病情况,应用SAS8.2软件建立适当的时间序列模型,对2007-2011年疟疾病发率进行预测.结果宜昌市1951-2006年疟疾报告发病率介于0.18/10万～2 629.94/10万之间,波动较大.结论宜昌市2001-2006年疟疾总体发病比较平稳,呈下降趋势,但仍应继续做好监测预警工作,控制疟疾的发生和流行.     

郑州市二七区手足口病周发病例数SARIMA模型预测分析

摘要:目的　构建手足口病周发病例数的季节性自回归移动平均模型,并将其应用于预测该地区手足口病疫情趋势,为该地区制定防治策略提供依据。方法　采用时间序列分析方法,以郑州市二七区2008-2013年每周手足口病的发病资料进行分析、建立模型,以此模型预测2014年该地区手足口病的发病情况,并与实际观察值相比较。结果　郑州市二七区手足口病周发病例SARIMA（1,1,0）（0,1,0）52模型的拟合度（R2）为0.807;精度（Root Mean Square Error,RMSE）为11.573。结论　应用时间序列分析方法建立的SARIMA模型能较好的拟合手足口病的流行,并进行预测。     

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模型在安溪县传染病发病率预测中的应用

目的 探讨用时间序列ARIMA模型对法定传染病发病率进行预测的可行性.方法 用SPSS 18.0对安溪县2005-2010年传染病月发病率进行ARIMA模型拟合,用所得模型对2011年各月发病率进行预测并与实际值比较.结果 ARIMA(0,1,1)×(1,1,0)12模型拟合良好,2011年各月预测值与实际值趋势吻合.结论 ARIMA模型能很好地模拟传染病发病率时间序列变动趋势,对疫情监测有重要意义.     

时间序列分析与机器学习方法在预测肺结核发病趋势中的应用

目的研究时间序列分析与机器学习方法在预测肺结核发病趋势中的应用。方法使用江苏省2009-2018年肺结核月度发病率数据,构建时间序列分析(ARIMA模型)、机器学习方法(支持向量回归(SVR)、BP神经网络)和两者的组合方法(ARIMA-SVR、ARIMA-BPANN)共5种预测模型,分析评价各模型预测性能。结果 ARIMA、SVR、BP神经网络、ARIMA-SVR、ARIMA-BPANN均方误差分别为0.0356、0.0364、0.0384、0.0329、0.0336;平均相对误差分别为5.76%、6.19%、6.20%、5.63%、5.70%。结论时间序列分析优于机器学习方法,而二者组合模型预测效果优于单独方法,ARIMA-SVR模型在江苏省肺结核发病趋势预测分析中具有较好的应用价值。