时间序列资料GM(0,N)预测模型及其应用

多因素资料预测，一般使用最小二乘估计（ＬＳ估计）。但对于时间序列资料，ＬＳ估计未考虑各因素的发展变化的情况。本文介绍一种时间序列资料灰色ＧＭ（０，Ｎ）预测模型，通过实例应用，效果较为满意。一、ＧＭ（０，Ｎ）模型建模方法设ｘ１＝｛ｘ１（１），ｘ１（２）...     

博山城镇肺癌死亡率时间序列分析及预测

本文对博山城镇１９７７～１９８８年肺癌死亡率进行时间序列分析表明，自１９７７年以来其肺癌死亡率呈明显上升趋势。并应用灰色预测模型对肺癌死亡率进行了预测。为政府制订卫生发展战略，有计划地开展肺癌防治及其效果观察，提供了科学依据。     

三种时间序列模型探讨1989～2012广西肺结核发病趋势

目的 探讨不同时间序列预测模型分析肺结核发病趋势的可行性,评价模型的拟合度,为制定肺结核预防控制策略提供科学依据.方法 收集广西壮族自治区1989 ～ 2009年肺结核疫情报告数据,分别采用曲线回归法、指数平滑法和ARIMA模型模拟肺结核疫情的动态轨迹,比较三种方法的拟合精度,评价拟合及外推效果.结果 1989～ 2007年广西肺结核发病率逐年增高,2007年后逐渐降低.其变动轨迹,以ARIMA模型拟合效果较好(拟合度R2=0.84),三种模型均具有一定的外展预测能力.结论 ARIMA模型适用于拟合类似肺结核发病率的动态趋势,在传染病疫情预测领域具有重要的现实意义.     

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…     

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.     

江西省乙型肝炎发病趋势的时间序列和预测模型分析

目的利用乘积季节模型预测江西省乙型肝炎(乙肝)的发病趋势,为江西省乙肝预警预测奠定基础,同时为制定防控措施提供科学依据。方法利用最小二乘原理,应用自回归求和移动平均模型与随机季节模型相结合的乘积季节模型,对江西省1990-2009年乙肝月发病数进行时间序列分析并建立预测模型,用2010年相应数据验证预测效果,并对2010年以后江西乙肝发病趋势进行预测。结果利用1990-2009年资料构建ARIMA(1,1,1)(0,1,1)12模型,所建立的预测效果良好,实际值均在预测值95%可信区间内,预测2011-2014年江西省乙肝发病人数呈上升趋势。结论采用ARIMA乘积季节模型预测江西省乙肝发病情况,拟合及近期预测效果均较好。预测效果符合江西省乙肝发病现状及目前采取的乙肝防治措施。     

我院出院人数预测模型分析

目的 比较趋势外推法、指数平滑法、ARIMA三种方法预测医院出院人次发展规律的优劣.方法 根据医院2000年1月～2010年8月住院统计资料,利用SPSS13.0软件建立三次曲线方程模型、Winters指数平滑模型、ARIMA模型,并对其结果进行比较分析.结果 三次曲线方程模型、Winters指数平滑模型预测精度不高,季节ARIMA乘积模型预测效果最好,是适合预测出院人数比较理想的方法.结论 季节ARIMA乘积模型可用于医院出院人数预测.     

乙型肝炎发病趋势的时间序列分析和预测模型研究

[目的]利用乘积季节模型预测无锡市乙型肝炎(乙肝)的发病趋势,为制订相应的防治措施提供科学依据.[方法]利用最小二乘原理,应用自回归求和移动平均模型与随机季节模型相结合的乘积季节模型,对无锡市1998～2006年乙肝月发病数进行时间序列分析并建立预测模型,用2007年相应数据验证预测效果,并对2008年以后无锡乙肝发病趋势进行预测. [结果]利用1998～2006年资料构建ARIMA(1,1,1)(1,1,1)12模型,所建立模型的预测效果良好,实际值均在预测值的95%可信区间内,预测2008～2012年无锡乙肝发病人数呈下降趋势. [结论]采用ARIMA乘积季节模型预测无锡市乙肝发病情况,拟合及近期预测效果均较好.预测结果符合我市乙肝发病现状及目前采取的乙肝防治措施.     

应用直线回归和时间序列建立诊疗人次预测模型

目的:运用统计学方法对医院诊疗人次进行预测,为医院的现代化管理提供依据.方法:应用直线回归和时间序列建立预测模型.结果:通过时间序列算出各季度的季节比率,剔除季节比率,通过对相关系数r的检验,证明线性关系显著,建立预测模型YC=143929.8+5515.05t,在此基础上预测2017年和2018年诊疗人次的点估计值以及95%置信区间下的区间估计值.结论:该预测方法比较合理,接近实际,为医院领导各项计划的制定,各项政策的正确实施,正确的决策提供可靠的数据保证和理论支持.     

医院季节性时间序列资料的周期自回归模型及其应用

本文利用周期相关序列和自回归模型等概念，对医院的季节性时间序列资料建立了周期自回归预测模型，其分析结果较为满意。     

广州市区鼻咽癌死亡率时间序列分析及预测

本文对广州市区1974-1984年鼻咽癌死亡率进行时间序列分析，表明1974年以来鼻咽癌死亡率呈相对稳定水平。男性鼻咽癌死亡率呈周期性变动，周期数约为3，振幅约为1．5／10万，应用改进的灰色预测模型对鼻咽癌死亡率进行预测，并提出相应的鼻咽癌防治策略。     

基于贝叶斯变点模型的COVID-19发病与死亡序列趋势

目的  基于COVID-19发病和死亡序列趋势分析,探讨评价传染病发病或死亡变化趋势的方法,为同类流行病学研究数据的分析提供可能的分析策略。方法  提取中国31个省(自治区、直辖市)2020年1月23日至2020年3月18日的COVID-19累计确诊病例和累计死亡病例数据,基于贝叶斯变点分析模型确定时间序列变点,并应用间断时间序列(interrupted time series,ITS)构建分段线性回归(segmented linear regression,SLR)模型,评价序列变化趋势与干预措施、政策的一致性。结果  武汉市累计确诊病例和累计死亡病例数据各有3次变点,湖北省(除武汉市)和除湖北省以外的30个省(自治区、直辖市)的确诊病例数、死亡病例数各有4次变点。武汉市累计确诊病例数3次变点后改变量分别为1 493.885(P＜0.001)、2 444.913(P＜0.001)、-4 061.038(P＜0.001);累计死亡病例数第2次、第3次变点后改变量分别为-66.917(P＜0.001)、-19.845(P=0.034)。湖北省(除武汉市)累计确诊病例数第3次变点出现增幅降低且差异有统计学意义,改变量为-845.244(P＜0.001);累计死亡病例数增幅降低出现在第3次、第4次变点,斜率改变量分别为-10.062(P＜0.001)、-12.245(P＜0.001)。除湖北省以外的30个省(自治区、直辖市)累计确诊病例数第2次变点后开始出现增幅降低,改变量分别为-281.494(P＜0.001)、-295.080(P＜0.001)、-145.054(P＜0.001);累计死亡病例数差异有统计学意义的增幅降低出现在第3次、第4次变点,斜率改变量分别为-3.199(P＜0.001)、-1.706(P＜0.001)。结论  结合贝叶斯变点分析和ITS分析可充分考虑时间序列趋势变化的不确定性,为传染病疫情分析和防控措施评价提供依据。     

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。     

时间序列数据差别的判别方法

关于时间序列数据的研究 ,主要集中在建立模型和数据独立与否的研究 ,而对于两列时间数据是否有差别的研究 ,报道不多。本文将讨论一种判别两列时间序列数据的差别的方法。原　　理根据文献〔1〕 ,若 { ξｔ}为独立同分布的随机序列 ,且Ｅξｔ=0 ,Ｅξ2 ｔ=σ2 ,Ｅξ4 ｔ=μ4 <∞ ,从而 { ξｔ}也是白噪声序列 ,即 ρｋ=0 (ｋ≠ 0 ) ,依 { ξｔ}的样本序列 ξ1,ξ2 ,… ,ξｎ 计算出的样本自相关函数^ ρ1,^ ρ2 ,… ,^ ρｋ,它们的误差为 ρｉ=^ ρｉ- ρｉ=^ ρｉ(ｉ=1,2 ,… ,ｋ) ,且ｎ(^ ρ1,^ ρ2 ,… ,^ ρｋ) ～Ｎ(0 ,Ｉ)　　其中…     

长沙市流感样病例发病趋势的时间序列分析和预测模型研究

目的 利用自回归滑动平均混合(ARIMA)模型预测长沙市流感样病例(ILI)的发病趋势. 方法 收集长沙市2006年第1周-2013年第10周由流感监测哨点医院每日报告的流感样病例监测资料,进行时间序列分析并建立预测模型,使用前364周资料建立模型,后10周资料评估模型预测效果. 结果 流感样病例监测资料构建ARIMA(1,0,0)模型,回归系数差异有统计学意义(P＜0.05).白噪声残差分析显示序列自相关函数的Box-Ljung统计量最小值为20.155(P＞0.05),残差为随机性误差.1-364周资料所建立模型ARIMA(1,0,0)预测效果良好,实际值均在预测值的95％可信区间(95％ CI)内,符合率达100％.2013第11-16周长沙市ILI％预测值分别为2.28％(95％CI:0.00％～6.21％)、2.31％(95％ CI:0.00％ ～6.26％)、2.33％ (95％CI:0.00％ ～6.30％)、2.35％ (95％ CI:0.00％ ～6.33％)、2.36％ (95％ CI:0.00％ ～6.35％)、2.38％ (95％CI:0.00％～6.37％). 结论 ARIMA模型能较好模拟长沙市流感样病例的发病趋势.     

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...     

应用时间序列模型预测麻疹疫情

目的 应用时间序列模型中的自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA),分析麻疹发病,为麻疹的预警预测提供科学依据.方法 利用吉林省麻疹监测系统3年来麻疹月发病数,采用SPSS统计软件中ARIMA数学模型,通过残差分析方法建立麻疹疫情ARIMA预测模型.结果 吉林省麻疹时间序列(经Ljung-Box检验,P=0.96)符合ARIMA(1,0,1)模型,且模型检查自相关系数在±0.5之间,预测值与观测值具有较高的吻合度.结论 麻疹ARIMA模型对麻疹疫情预测有较好效果.     

简易季节时间序列分析法的应用

本文对我院 1995～ 1998年收治的肿瘤病人进行了统计分析 ,对 1999～ 2 0 0 1年肿瘤病人进行预测 ,以便对医院管理者有所帮助。资料与方法本文资料取自我院 1995～ 1998年《医院疾病分类年报表》。采用简易时间序列分析法进行预测。结果与分析1 1995～ 1998年肿瘤病人发展动态分析 (表 1)表 1　 1995～ 1998年肿瘤病人的发展动态时间 (年 )出院人数肿瘤人数 构成比(% )发展速度(% )增长速度(% )1 995 1 2 852 882 6 86 1 0 0 0 0 -1 996 1 2 2 4 9935 7 64 1 0 6 0 1 6 0 11 9971 2 80 71 0 4 0 8 1 2 1 1 7 91 1 7 911 9981 4 0 96 1 1 4 …     

时间序列分析在我国公共卫生领域的应用

时间序列分析是一种有效的统计分析手段,尤其是在分析和预测变量或事物的变化趋势方面,在公共卫生领域已有广泛的应用.对时间序列分析方法在我国公共卫生领域中的应用现状和前景进行综述.     

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。