ARIMA模型在衢州市梅毒发病率预测中的应用

目的探讨应用ARIMA模型预测梅毒发病趋势的可行性,为预防控制梅毒流行提供依据。方法应用SPSS 18.0对2005-2014年衢州市梅毒逐月发病率建立ARIMA模型,并对2015年梅毒发病率进行预测分析。结果 ARIMA(2,1,1)(0,1,1)12能较好拟合既往梅毒的发病率,2014年梅毒月发病率预测值和实际值的平均相对误差为11.89%,实际值均在预测95%CI内。结论 ARIMA模型能有效地预测梅毒发病趋势,为制定防控措施和策略提供科学的依据。     

ARIMA模型在南京市梅毒预测中的应用

目的探讨应用自回归滑动平均混合(ARIMA)模型进行南京市梅毒月发病率预测的可行性,建立梅毒发病率的预测模型,为制定防治策略提供依据。方法应用SPSS18.0软件对南京市2006-2012年梅毒逐月发病率进行ARIMA模型建模拟合,依据BIC准则确定最优模型。用所得到的模型对2013年各月发病率进行预测,并与实际发病率进行比较,检验预测效果。结果 ARIMA(0,1,1)(0,1,1)12模型很好地拟合了梅毒月发病率的变化规律,模型预测结果与实际值非常接近,实际值均在预测值的95%可信区间范围内。结论 ARIMA模型能够很好地模拟、预测梅毒的发病情况,可以为梅毒的防治工作提供科学依据。     

应用ARIMA模型对河南省1991-2011年乙型肝炎发病趋势分析

目的 探讨应用ARIMA模型对河南省进行乙肝发病趋势进行预测,为制定防控策略提供科学依据.方法 采用SPSS15.0软件对河南省1991 ～2011年乙型肝炎发病率拟合ARIMA模型进行预测,将预测值与实际值进行比较.结果 确定模型为ARIMA(0,1,1),残差序列为随机序列,预测值和实际值平均相对误差为10.04％,预测2012年乙肝发病率为182.1/10万.结论 ARIMA(0,1,1)模型可以很好拟合乙肝发病趋势,可为乙肝防治提供科学依据.2012年预测结果提示乙肝发病有上升趋势,当地可制定相应防控策略.     

时间序列分析法在传染病发病率预测中的应用

目的探讨时间序列分析法在乙类传染病发病率预测中的应用,为制定辖区传染病防控策略提供依据。方法用深圳市宝安区沙井街道2006年1月至2019年12月的乙类传染病月发病率数据,建立自回归移动平均模型(ARIMA)并验证模型的预测效果。结果建立的ARIMA(2,1,1)模型预测效果较好,实际值均在预测值的95%可信区间内,对2020年1～6月乙类传染病发病率的预测值基本符合实际变动趋势。结论 ARIMA模型能较好地模拟短期内乙类传染病发病率的变动趋势。     

浙江省细菌性痢疾月发病率ARIMA模型建立及预测分析

目的构建ARIMA模型预测浙江省细菌性痢疾的月发病率。方法利用SAS 9.0统计软件对浙江省2001—2011年2月的细菌性痢疾发病率数据建立ARIMA模型,并进行预测分析。结果拟合ARIMA(1,0,0)12模型的AIC为227.23,为细菌性痢疾的月发病率最佳模型,该模型预测值与实际值的平均相对误差为15.9%,实际值都在95%的可信限之内,预测值与实际值较为接近。结论 ARIMA模型可以较好的预测细菌性痢疾发病率的变化趋势,能够运用于细菌性痢疾发病趋势的预测及预警,为防控措施的制定提供参考。     

时间序列分析法在肺结核发病率预测中的应用

目的探讨ARIMA模型在肺结核发病率预测中的应用,为制定肺结核防控策略提供科学数据。方法利用深圳沙井街道2006年1月-2011年6月的肺结核月发病率数据建立ARIMA模型,采用2011年7-12月的月发病率数据验证模型的预测效果。结果建立的ARIMA(1,0,0)(1,1,0)12模型预测效果较好,实际值均在预测值的95%可信区间内,对2011年7-12月发病率的预测值基本符合实际发病率的变动趋势。结论 ARIMA模型能较好地模拟在短期内肺结核发病率的变动趋势。     

ＡＲＩＭＡ 模型在衢州市梅毒发病率预测中的应用

摘要：目的　探讨应用ＡＲＩＭＡ 模型预测梅毒发病趋势的可行性，为预防控制梅毒流行提供依据。方法　应用ＳＰＳＳ１８．０对２００５－２０１４年衢州市梅毒逐月发病率建立ＡＲＩＭＡ 模型，并对２０１５年梅毒发病率进行预测分析。结果　ＡＲＩＭＡ （２，１，１）（０，１，１）１２能较好拟合既往梅毒的发病率，２０１４年梅毒月发病率预测值和实际值的平均相对误差为１１．８９％，实际值均在预测９５％ 犆犐内。结论　ＡＲＩＭＡ 模型能有效地预测梅毒发病趋势，为制定防控措施和策略提供科学的依据。     

ARIMA模型在东莞市细菌性痢疾预测中的应用

目的探讨ARIMA模型在东莞市细菌性痢疾发病预测的可行性和适用性,为东莞市细菌性痢疾的防控提供参考依据。方法使用SPSS 17.0对2004年1月至2012年4月东莞市细菌性痢疾发病率资料拟合ARIMA模型,利用所得到的模型对东莞市2012年5～7月细菌性痢疾发病率进行预测评价。结果 ARIMA(0,0,1)(0,1,1)12模型具有较高的预测精度,预测值与实际值基本吻合,且实际值都在95%可信区间内。结论 ARIMA(0,0,1)(0,1,1)12模型较好地反映了东莞市细菌性痢疾发病趋势,可作为东莞市细菌性痢疾发病水平短期预测模型。     

ARIMA模型在乙型病毒性肝炎发病率预测中的应用

目的 探讨应用ARIMA模型进行乙肝发病率的预测,为乙肝防治提供科学依据.方法 应用Eviews 7.0对2004年1月至2012年6月陕西省某市乙型肝炎发病率进行模型拟合,用所得到的最优模型对2012年7 ～12月乙肝发病率进行预测,并与实际值进行比较.结果 ARIMA(1,1,1)×(1,1,1)12模型拟合效果总体较好,其对2012年7 ～12月乙肝发病率预测值基本符合实际值的变化趋势.结论 ARIMA模型可以模拟乙肝发病率,应用乙肝发病于预测.     

ARIMA模型在我国梅毒发病率预测中的应用

目的探索ARIMA模型在我国梅毒发病率预测中的应用,为提出相应的预防措施提供依据。方法收集2004年1月-2012年12月我国梅毒发病率资料,用SPSS13.0拟合ARIMA模型,并用2013年每月的数据评价模型的预测效果。结果 ARIMA(1,1,0)×(2,1,1)12模型为预测我国梅毒发病率的最佳模型,预测值和实际值的动态趋势基本一致。并用此模型对2014年每月我国梅毒发病率进行了预测。结论 ARIMA模型是一种短期内预测精度较高的预测模型,预测效果可靠。     

时间序列分析法在细菌性痢疾发病率预测中的应用

目的 探讨自动回归移动平均模型(ARIMA)在细菌性痢疾发病率预测中的应用,为制定细菌性痢疾预防控制策略提供科学数据.方法 利用深圳沙井街道2006年1月-2011年6月的的细菌性痢疾月发病率数据建立ARIMA模型,采用2011年7-12月的月发病率数据验证模型的预测效果.结果 通过比较筛选,ARIMA(1,1,1)模型预测效果较好,2011年7-12月的月发病率预测值分别2.28/10万、1.83/10万、2.61/10万、1.62/10万、0.83/10万、0.67/10万,且实际值均在预测值的95％可信区间内,2011年7-12月发病率的预测值基本符合实际发病率的变动趋势.结论 ARIMA模型能较好地模拟在短期内细菌性痢疾发病率的变动趋势,可为细菌性痢疾制定预防控制策略提供科学的数据.     

利用ARIMA模型预测北京市顺义区手足口病发病趋势

目的探讨利用ARIMA模型预测手足口病发病趋势的可行性和意义,为预警手足口病防控提供依据。方法应用SPSS 19.0对2008-2013年手足口病逐月发病率建立ARIMA模型,并对2013年手足口病各月发病率进行拟合。结果 ARIMA(1,0,0)(1,1,0)12能够较好拟合既往时间段手足口的发病率,2013年各月的预测值符合手足口病实际发病率变动趋势。结论模型能够有效地预测手足口病发病趋势,对预警、预测产生积极指导作用。     

神经外科ICU医院感染ARIMA模型的建立与应用

目的 应用自回归移动平均模型(ARIMA)建立神经外科重症监护室(ICU)医院感染发病率的预测模型,为医院感染防控工作提供参考依据。方法 收集2012年1月-2021年2月上海交通大学医学院附属仁济医院神经外科ICU感染发病率数据,利用2012年1月-2019年12月的数据建立ARIMA模型,选取2020年1月-2021年2月的发病率数据评价模型的预测性能,并进行短期预测。结果 2012年1月-2021年2月神经外科ICU共有12 708例住院患者,总住院天数为52 397 d,医院感染人数为756例,日感染发病率为14.43‰。逐月的日感染发病率时间序列呈下降趋势,且有周期性。根据2012年1月-2019年12月医院发病数据,ARIMA(3,1,1)(1, 1,0)₁₂模型的拟合效果相对较优,2020年1月-2021年2月实际观测值均落在预测值95%可信区间内。利用全部数据重新拟合模型进行预测,结果提示该神经外科ICU的医院感染发病率将保持在较平稳的水平。结论 ARIMA模型对神经外科ICU患者日感染发病率的拟合效果较好,有助于制定医院感染管理相关防控措施。     

时间序列分析在结核病发病预测应用中的初步探讨

[目的]初步探讨季节差分ARIMA模型在结核发病率预测中的应用,为结核病防治提供参考依据。[方法]对四川省2004年1月～2007年6月的逐月肺结核发病率进行ARIMA建模拟合,采用2007年剩余各月的实际月发病率验证模型的预测效果。[结果]ARIMA(1,0,0)×(1,1,0)12模型较好地拟合了既往时间段上的发病率序列,其对2007年7～12月发病率的预测值基本符合实际发病率的变动趋势。[结论]季节差分ARIMA模型能较好地模拟短期内肺结核发病率在时间序列上的变动趋势,若用于长期预测,应根据长期监测数据不断调整模型参数。     

自回归求和滑动平均模型在河南省出生缺陷发生率预测中的应用

目的 应用自回归求和滑动平均(autoregressive integrated moving average, ARIMA)模型对河南省月度出生缺陷发生率进行预测,为制定科学的出生缺陷防控措施提供参考依据。方法 收集2011年1月至2020年12月河南省37所国家级出生缺陷监测点所有围产儿的出生缺陷监测数据,分别构建总体、城镇和乡村出生缺陷发生率的ARIMA乘积季节模型,对2020年数据进行回代,评价拟合效果,同时利用所构建模型预测2021～2022年月度出生缺陷发生率。结果 分别使用ARIMA(0,1,1)(0,1,1)₁₂、ARIMA(2,1,2)(2,1,0)₁₂、ARIMA(0,1,1)(0,1,1)₁₂模型预测2020年河南省总体、城镇和乡村月度出生缺陷发生率,计算2020年预测值和真实值的平均相对误差分别为7.26%、8.80%和10.13%;2020年预测值和真实值动态趋势基本一致,真实值均落在预测值的95%置信区间内;预测2021～2022年河南省月度出生缺陷发生率呈现持续上升趋势。结论 ARIMA模型...     

应用ARIMA模型预测结核病发病率研究

目的应用自回归求和移动平均(ARIMA)模型预测结核病发病率。方法收集浙江省余姚市2006—2016年结核病月发病资料,采用专家建模器和传统建模方法建立ARIMA模型,根据最小贝叶斯信息准则(BIC)值选出最优模型,对2006—2016年结核病月发病率进行回代拟合,并对2017年结核病月发病率进行预测。结果传统建模方法所得模型为ARIMA(0,1,1)(0,1,1)12,专家建模器所得模型为ARIMA(0,0,1)(0,1,1)12;两个模型的残差序列均未突破可信区间,为白噪声过程,均为恰当模型,但ARIMA(0,0,1)(0,1,1)12标准化的BIC值更小,确定为最优模型。对余姚市2006—2016年结核病月发病率进行回代拟合,实际发病率均落入拟合值的95%CI内,模型预测值能较好拟合原始数据;预测余姚市2017年1—12月结核病月发病率,预测值与实际值的平均相对误差为9.05%。结论应用专家建模器构建的ARIMA模型可较好地预测结核病发病率。     

SARIMA模型在手足口病发病率监测中的应用

目的 通过建立SARIMA模型,探讨该模型在手足口病发病率预测中的应用,为疾病预防控制部门制定防控策略提供理论依据.方法 应用SPSS 20.0软件包对乌鲁木齐市2009年1月1日至2014年12月31日手足口病月发病率进行初步平稳化处理并建立季节性ARIMA模型.结果 通过对参数和模型的拟合优度检验及残差白噪声序列检验,最终确定模型为SARIMA(1,0,0)(1,1,0)12,该模型能较好的对以往发病率进行拟合,真实值均在预测值的95％置信区间内.结论 SARIMA(1,0,0)(1,1,0)12模型能够较准确地预测手足口病发病趋势,但若要获得更为准确的预测信息,则需要使用多模型联合的方法来预测.     

基于时间序列模型对甲型病毒性肝炎的预测研究

目的探讨时间序列模型在甲肝发病预测的应用,为下一步采取防控措施提供科学依据。方法基于宜昌市2005-2015年逐月甲肝发病率建立两种模型,对2016年甲肝的发病率进行预测,并将预测值与实际值进行拟合评价。结果 ARIMA模型首先要求数据平稳,宜昌市的甲肝发病存在季节性波动,为不平稳序列,但2010年之后数据较为平稳,经对2010-2015年甲肝月发病率进行季节性差分、差分处理,新数列为平稳序列(游程检验法Z=1.447,P=0.148),然后进行参数估计(BIC=-4.293)和白噪声检验(Q=22.150,P=0.138),据此建立ARIMA模型,ARIMA(0,0,1)(0,1,1)12模型为最优模型,能较好的模拟甲型病毒性肝炎的发病。结论 ARIMA(0,0,1)(0,1,1)12模型能较好的模拟甲肝发病在时间序列的变化趋势,为制定科学的防控措施和策略提供依据。     

2005-2014年南宁市麻疹发病率ARIMA模型及其趋势预测

目的 探讨自回归移动平均模型（autoregressive integrated moving average model, ARIMA）在南宁市麻疹发病预测的可行性,为制定麻疹防控策略提供依据。方法 收集2005年1月～2014年12月南宁市麻疹发病率,运用SPSS 20.0 对逐月发病率进行ARIMA建模与拟合,依据贝叶斯信息准则（bayesian information criterion,BIC）确定最优模型,用所得到的模型对2015 年1月～12月麻疹发病率进行预测。结果 ARIMA（1,0,1）模型BIC值为-0.506,Ljung-Box Q值为4.254,P=0.998>0.05,为白噪声序列,预测结果实际发病率在预测发病率的95% CI值内。结论 ARIMA 模型能较好地模拟麻疹发病率在时间序列上的变动趋势,可用于麻疹短期内变化趋势的预测。     

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。