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.     

时间序列分析在其它感染性腹泻预测预警中的应用

目的:应用时间序列分解法分析其它感染性腹泻的季节性和应用ARIMA模型进行预测预警,为德清县其它感染性腹泻防治提供参考依据。方法:应用Excel2010软件计算2004年-2011年德清其它感染性腹泻季节性因素Si;用SPSS19.0软件对2004年-2010年德清县其它感染性腹泻拟合构建最佳ARIMA模型,并计算95%和90%预测值可信区间,所得到的模型对2011年发病数进行预测预警,并与实际值进行比较。结果:其它感染性腹泻存在明显的季节性,发病高峰为11月,次高为7月;ARIMA(1,0,0)(0,1,1)12模型拟合效果总体较好,实际值基本在预测值的95%可信区间范围内,但有3个月实际发病数超过预测值90%可信区间上限。结论:时间序列分解法可以分析其它感染性腹泻发病季节性;ARIMA模型能够运用于其它感染性腹泻发病趋势的预测预警,预测值90%可信区间上限可以作为预警限值。     

ARIMA模型在手足口病预测预警中的应用

目的研究时间序列分析在手足口病预测预警中的应用,并探讨提高模型预测准确性和实用性的思路。方法应用SPSS 18.0软件对深圳市盐田区2008年1月—2014年4月手足口病发病率进行ARIMA模型拟合,预测2014年5月-12月手足口病发病率。结果模型ARIMA（0,1,0）（0,1,1）12的参数估计值为0.761,t=2.552,P=0.013,经检验参数有统计学意义。且BIC=6.066,在拟合比较的模型中最小,故选定为最佳拟合模型。利用2013年10月—2014年4月实际发病数与预测发病数进行比较,实际值与预测值相对误差的中位数为71%。结论用时间序列分析对手足口病发病情况的拟合结果满意,预测和预警效果良好。     

应用ARIMA模型预测麻疹发病率的可行性研究

目的探讨应用时间序列ARIMA模型对麻疹发病预测的可行性,为银川市传染病发病预测提供科学依据。方法采用Eviews 6.0对银川市2004-2008年麻疹月发病数的资料建立ARIMA模型,用单位根检验法对模型的适应性进行检验,并回代验证其有效。结果建立模型ARIMA(1,2,0)×(1,2,0)12是合适的,R2=0.625,其预测值与实际值相吻合程度高。结论 ARIMA模型能很好地模拟银川市麻疹发病率的变动趋势,预测效果满意。     

时间序列分析在流感疫情预测预警中的应用

目的 探讨时间序列分析的自回归求积移动平均模型(ARIMA)在江苏省流行性感冒(流感)疫情预测预警中的应用.方法 收集江苏省2005年10月至2010年2月各监测点流感样病例(ILI)监测数据,建立基础数据库,对每周ILI发病人数进行ARIMA建模拟合,对2010年3-4月各周流感样病例发病情况进行预测.结果 构建得到ILI发病ARIMA(2,1,2)预测模型为(1+0.785B2)(1 -B)In Xt=(1+0.622B2)εt,其中,B代表后移算子,Xt代表流感样病例发病人数,εt为随机误差.模型残差序列为白噪声,模型的Ljung-Box检验统计量为5.087,P=0.995,拟合效果良好.应用该模型预测2010年3-4月江苏省各周ILI发病情况,预测值符合实际发病变动趋势,实际观测值均在预测值95％CI值内.结论 ARIMA模型能较好地模拟江苏省ILI发病情况.     

时间序列模型在传染病发病率预测中的应用

本文运用时间序列分析中被广泛应用的ARIMA模型对东风汽车公司1986～2002年的法定传染病月发病率进行拟合,并探讨使用此模型进行发病率预测的可行性,为传染病监测和防治提供帮助.     

时间序列分析在阜阳市细菌性痢疾发病预测中的应用

目的探讨时间序列分析在细菌性痢疾发病预测中的应用,验证分析模型的可行性与适用性。方法利用阜阳市2009年1月～2013年6月细菌性痢疾发病资料,拟合自回归移动平均（ARIMA）模型,对阜阳市2013年7～11月各月发病情况进行预测评价。结果建立ARIMA（1,2,0）（0,1,0）12模型,预测结果基本符合实际发病变动趋势,验证了该模型的可行性。结论 ARIMA模型可用于模拟细菌性痢疾发病在时间序列上的变化趋势分析,并进行短期预测。     

应用ARIMA模型对麻疹发病的预测及分析

目的 应用ARIMA模型对麻疹发病数预测并探讨其可行性,为防控麻疹疫情提供依据。 方法 采用SPSS17.0对乌鲁木齐市2009-2015年麻疹月发病数的资料建立ARIMA模型,并预测2016年麻疹月发病数。 结果 建立模型ARIMA(0,0,1)(1,1,0)₁₂是合适的,且模型检验自相关系数在±0.5之间,预测值与实际值有较高的吻合度。 结论 ARIMA模型能很好的拟合乌鲁木齐市麻疹发病数趋势,预测效果可靠。     

时间序列分析方法在医院管理中的应用

近年来,以ARIMA模型为代表的时间序列分析方法在医药卫生领域得到了广泛的应用,特别是在医院精细化管理中发挥了重要作用。本文梳理了近年来时间序列分析方法应用在医院管理中的相关文献,根据细分的研究领域进行文献综述,探究时间序列分析方法在医院管理中的作用。     

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。     

传染病预警模式的应用探讨

目的联合应用时间序列ARIMA模型以及控制图原理对传染病监测数据进行分析,探讨切实可行的传染病预警模式,实现对传染病的流行趋势进行预测,以期指导传染病的预防控制工作。方法收集筛选传染病的历史数据,利用时间序列ARIMA模型以及控制图原理,绘制控制图曲线,计算预警界值,预测疾病的流行趋势。结果利用建立的ARIMA模型初步确定疾病的年发病趋势后,可进一步根据绘制的控制图来确定实际疫情的流行趋势,综合传染病的严重性、危害性及可控制性及时作出反应。结论ARIMA模型与控制图法的联合应用,预警精度较高,是较好的传染病疫情预警模式。     

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。     

时间序列方法在卫生人力资源需求预测中的应用

目的 为制定广东省卫生资源的规划,进行优化配置,对全省卫生技术人员总数进行预测。方法 求和自回归滑动平均模型（ＡＲＩＭＡ）与多重发分析相结合。结果 广东省２０００年和２０１０年的卫技人数预测值分别为２５６８８０和３２３７３９人,或每千人口３．５人和４．０人。结论 ＡＲＩＭＡ模型在卫生人力资源需求预测中的应用是垢。     

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。     

南通市流感样病例时间序列分析及发病趋势的 预测研究

摘要:目的　探讨时间序列分析中的自回归求积移动平均模型（ARIMA）在南通市流感样病例（ILI）发病趋势预测中的应用。方法　收集“中国疾病预防控制系统”中2009年7月-2013年11月共238周流感样病例的发病监测数据,建立时间序列数据库,对每周流感样病例的发病人数进行ARIMA模型拟合,利用模型对2009年7月-2013年11月的周数据进行外部预测,并对2014年2月-2014年3月各周的流感样病例的发病情况进行前瞻性预测。结果　构建流感样病例周发病数的ARIMA（1,1,1）模型为（1-0.806B2）（1-B）lnXt＝（1-0.958B2）∝t,其中B代表后移算子,Xt代表ILI周发病数,εt为随机误差。外部预测的预测值和实际值基本相符,相对误差较小。前瞻性预测结果符合流感样病例的流行特征。结论　该模型能较好的模拟并预测南通市流感样病例的发病趋势。     

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。     

基于处方监测的流感样疾病预警模型研究

[目的]通过对医院门诊逐日处方量的监测,建立流感样疾病就诊量的监测模型,从而,间接地监测该病在区域内流行情况,并做出早期预警,以采取快速反应,减少疾病所造成的危害。[方法]搜集了2002年8月1日至2005年12月8日北京某综合医院门急诊就诊人次、门急诊流感样疾病患者人次和治疗流感样疾病的处方量,计算日均该类药物处方量,建立序列图,对该序列进行对数和差分变换后,建立时间序列监测模型。[结果]该院日人均治疗流感样疾病的药物处方量为(0.22±0.21)单位,此序列存在一定的自相关性,但不存在季节效应,最佳拟合模型为Yt=0.14Yt-1 et-0.16et-1。模型的敏感性为0.87,外推预测的平均相对误差为0.307。[结论]对特定治疗药物处方监测是流感样疾病监测的重要手段之一。所建立的时间序列模型可为流感样疾病的暴发做出早期预警。基于症状监测的监测网络的建立将提高传染病早期预警的准确性和灵敏性。     

ARIMA模型在细菌性痢疾预测中的应用

目的构建北京市昌平区细菌性痢疾月发病的ARIMA模型,为防控工作提供依据。方法应用SPSS 18.0软件分析2004-2010年北京市昌平区细菌性痢疾月发病数资料,构建ARIMA乘积模型,并预测2011年细菌性痢疾月发病数。结果最优乘积模型为ARIMA(1,0,0)(1,1,1)12,模型具有较高的预测精度,预测值与实际值基本吻合,且实际值均在预测值可信区间范围内。结论 ARIMA模型能够应用于北京市昌平区细菌性痢疾流行趋势的预测及疫情的预警、预报,为实施干预提供依据。     

Forecasting the demand on accident and emergency departments in health districts in the Trent region

The annual new, return and total attendances at Accident and Emergency (A and E) Departments for Trent district and the whole of the Trent region are forecast for the years 1986 to 1994 by using the autoregressive integrated moving average (ARIMA) time series model applied to the SH3 A and E returns for 1974 to 1985. The 1986 forecasts of annual new, return and total attendances in Trent districts are compared with the actual attendances observed; the new attendance forecasts were found accurate, the return attendance forecasts less so. The latter may reflect inability to predict changing policies on return attendances of individual A and E departments. The 1994 ARIMA forecasts of annual A and E new attendances for Trent districts are compared with the 1984 based regional guidelines for 1994 and the projections for individual districts. Both the ARIMA models and the health districts' own projections produce a different forecast to the 1994 regional guideline which seems to overestimate. The forecasting methodology used has other applications in health care planning.