ARIMA乘积季节模型在出院人数预测中的应用

目的了解医院住院量的变动趋势,对医院出院人数进行预测分析,为科学决策提供依据。方法应用乘积季节ARIMA模型对某院2003年1月-2013年12月出院人数进行模型拟合,预测2014年各月出院人数,用2014年1月-6月份实际资料评估模型的预测效果。结果该院出院人数呈明显的季节效应,且出院人数逐年小幅递增;乘积季节ARIMA(1,1,1)×(0,1,1)12(不含常数项)模型为最优模型,标准化的BIC(标准化贝叶斯信息量)和平均绝对误差百分比(MAPE)值最小,BIC值为11.98,MAPE值为5.43。Ljung-Box检验无统计学意义(Q18=10.575,P=0.782)。结论乘积季节ARIMA模型可以较好地拟合出院人数的变化趋势,是一种短期预测精度较高的预测模型。     

运用趋势季节模型预测出院人数

目的探讨趋势季节模型在出院人数预测中的应用。方法根据某院2003年~2007年统计资料,采用趋势季节法建立出院人数预测模型。结果建立趋势季节回归模型为：Y=3223.10＋80.04t,方差分析结果P〈0.05,显示该方程呈直线相关关系,预测值=季平均预测值×各季季节比率。结论该方法简便易行,预测效果好,可为医院管理决策提供依据。     

时间序列分析中自回归求和滑动平均模型在食源性疾病预测中的应用

目的 ：通过对2017年～2020年包头市食源性疾病发病人数建立自回归滑动平均混合模型（ARIMA）,对包头市食源性疾病的发生预测预警,为进一步做好预防控制提供参考。方法：运用SPSS 22.0统计学软件对原始数据进行模型拟合,预测包头市2021年发病人数,根据实际值与预测值差异评价模型的预测效果。结果：包头市食源性疾病发病人数整体呈现上升趋势,发病人数的时间序列为非平稳性时间序列,经转换拆分,通过图形观察和多次验证,确定ARIMA (0,1,1)(0,1,1)12为最优模型,BIC=9.218,残差序列Ljung-Box Q检验的统计结果λ2=18.348,P=0.304,(P>0.05)差异无统计学意义,证明该模型为残差白噪声。结论：ARIMA季节乘积模型能拟合和预测食源性疾病的发病趋势,具有广泛的适用性。     

采用自回归滑动平均模型预测2011年门诊量

目的拟合适合门诊量时间序列资料的预测模型,预测我院2011年门诊量。方法采用ARIMA模型对门诊量进行模型拟合。结果拟合模型参数具有统计学意义,方差估计值为8.97,AIC=1366.888,SBC=1373.676。对模型进行白噪声残差分析,拟合优度统计量表表明最终拟合的ARIMA模型为：（1-B）（1-B12）Yt=-11.7601＋（1-0.8527B）（1-0.3947B12）et。结论 ARIMA模型适用于门诊量的时间序列模型拟合,结果显示模型预测值与实际值相符合,在没有外来干预因素影响的情况下,门诊量将会继续上涨。     

门急诊量和出院人数预测线性回归模型的建立和应用

目的：依据某三甲医院2009年-2013年门、急诊人次和出院人数建立一元线性回归模型,预测2014年上半年的相关指标并与实际数量比较。方法利用近五年门急诊人次和出院人数与年代之间采用一元线性回归模型进行回归分析,根据回归模型系数评估2014年上半年门急诊人次和出院人数的预测值和95%置信区间,门诊人次、急诊人次和出院人数分别与年代做线图,并对人数随年代变化做相关性检测。结果2009年-2013年门诊、急诊人次和出院人数随年代增加均具有统计学意义（p＜0.05）。99%门诊人次、79%的急诊人次和99%的出院人数的变化是由年代决定的。预测2014年门诊人次2845144,急诊人次为207038,出院人数为46654。2014年上半年门急诊人次和出院人数与实际2014年门急诊人次和出院人数相比,均在预测值95%置信区间内。结论门急诊人次、出院人数与年代有较好线性关系,可以用一元线性回归模型进行回归分析并预测。     

利用回归曲线对肿瘤医院出院人数的预测

目的比较直线回归模型、对数模型、二次曲线模型、三次曲线模型在肿瘤专科医院出院人数预测拟合效果的优劣，为医院行政部门提供合适的模型。方法应用四种预测方法对肿瘤专科医院出院人数预测并比较拟合值的绝对误差、相对误差和误差平方和。结果对肿瘤专科医院出院人数的直线回归模型的平均绝对误差、平均相对误差绝对值最小为0．72％；其次为二次曲线回归预测模型的绝对误差为337例，相对误差绝对值为1．50％；对数曲线预测模型和三次曲线预测模型的相对误差绝对值比较高，分别为12．06％和12．22％。结论直线回归模型对肿瘤专科医院出院人数短期发展变化规律的分析有比较好的适应性和实用性，可以为肿瘤专科医院今后工作的发展规划提供一定的依据。     

自回归求和移动平均乘积季节模型在我国布鲁菌病短期月发病人数预测中的应用

目的 研究我国布鲁菌病（布病）月发病人数的趋势性和季节性,探讨自回归求和移动平均（ARIMA）乘积季节模型预测我国布病短期月发病人数的效果。方法 收集2004年1月—2015年5月我国布病月发病人数（共137组）,进行时间序列分析。数据来自国家卫生和计划生育委员会公布的疫情监测数据。观察我国布病月发病人数的趋势性和季节性,以我国2004-2013年的布病月发病人数作为训练样本,拟合ARIMA乘积季节模型;用2014年1月—2015年5月的发病数据作为校验样本,验证模型;确定最优模型后,预测2015年6-12月我国布病月发病人数。结果 2004-2008年我国布病月发病人数相对平稳,从2009年以后有了明显的上升趋势。从季节性来看,每年的6、7、8月属高发病期,每年的1月和12月处于全年的最低发病期。选取的最优模型为ARIMA（0,1,0）（1,1,0）12,其平均绝对百分误差（MAPE）=13.60,决定系数（R2）=0.881;对模型进行参数显著性检验,一阶季节自回归项（SAR）参数估计值=-0.292,P=0.048。运用ARIMA（0,1,0）（1,1,0）12对2015年6-12月我国布病月发病人数进行预测,其预测值分别为7 709、7 524、6 113、4 458、3 450、3 576、3 760例。结论 从2009年以后,我国布病月发病人数有明显的上升趋势;季节性表现在6～8月为高发病期,12月至来年1月为低发病期。ARIMA乘积季节模型拟合我国布病月发病人数的时间序列模型精度较高,可以用来预测我国布病短期月发病人数。     

ARIMA模型在预测重庆市医院日住院量中的应用

目的 建立预测与监测的求和自回归移动平均模型(ARIMA)的时间序列模型,研究日住院量的变化规律.方法 通过对2009年2～4月重庆市逐日住院患者量分析用Box-Ljung 统计量评价ARIMA模型的拟合度,用平均预测相对误差作为预测效果的评价指标.结果 重庆市住院患者量以周为时间周期,每周中以周一、二住院量达到高峰,周六、日为低谷.ARIMA(0,1,1)(1,1,1)7是重庆市2009年2～4月住院量预测最优拟合预测模型,一周和两周外推预测的平均相对误差分别为6.27%和9.14%.结论对住院患者量的历史数据进行时间序列分析是用于住院患者量监测的一个重要的内容.本研究所建立的ARIMA模型     

季节变动分析法在出院人数预测中的应用

季节变动是将观察值按季节编制的时间序列。医院统计资料中有许多是随着季节变化的时间序列指标，例如门、急诊人次，出、入院人数，病床使用率，病床周转次数，平均病床工作口和医疗收入等。本文根据我院2000年～2004年出院人数的历史资料，运用季节变动分析法，通过季节比率、预测值、预测指标误差的计算，分析5年内出院人数的变化趋势和季节变动情况（见表1）。     

细菌性痢疾自回归滑动平均和非线性自回归组合模型预测研究

目的 探讨单纯自回归滑动平均(autoregressive integrated moving average,ARIMA)模型与ARIMA和非线性自回归(nonlinear autoregressive,NAR)组合模型在细菌性痢疾预测中的应用.方法 利用江苏省2004年1月至2015年2月的细菌性痢疾数据作为拟合样本,以2015年3月至2016年5月的数据作为预测样本;建立的模型分别为单纯ARIMA模型和ARIMA-NAR组合模型,然后根据2个模型的平均绝对误差(mean absolute error,MAE)、均方误差(mean square error,MSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)比较模型的效果,其值越小模型效果越好.结果 在模型的拟合阶段,单纯ARIMA模型的MAE、MSE和MAPE分别为0.177 5、0.081 4和0.184 7,ARIMA-NAR组合模型分别为0.094 1、0.029 5和0.104 6.在模型的预测阶段,单纯ARIMA模型的MAE、MSE和MAPE也分别大于ARIMA-NAR组合模型.结论 ARIMA-NAR组合模型对于江苏省细菌性痢疾发病率时间序列的预测效果优于单纯ARIMA模型.建议尝试使用ARIMA-NAR组合模型预测细菌性痢疾的发病率.     

自回归移动平均乘积季节模型在甲型肝炎发病数中的应用

目的 建立自回归移动平均(ARIMA)乘积季节模型,利用该模型预测并分析全国甲型肝炎发病情况,为全国甲型肝炎疫情防控提供决策依据。 方法 利用中国疾病预防控制中心2011年1月~2016年12月全国甲型肝炎月报告数据,建立甲型肝炎ARIMA乘积季节预测模型,并用2017年1~12月发病数评估模型的预测效果。 结果 非季节和季节移动平均的参数分别是0.282 、0.530,赤池信息量准则(AIC)=815.710,许瓦玆贝叶斯准则(SBC)=819.865,最优模型显著性检验结果显示P均<0.05,模型残差白噪声检验的6、12、18、24阶的χ2值分别为6.83、12.38、15.12和18.28,差异无统计学意义(P均>0.05),据此建立ARIMA(0,1,1)(0,1,1)₁₂模型,模型表达式为∇∇₁₂x_t=(1-0.282B)(1-0.530B12)ε_t,以此开展甲型肝炎发病数预测。 结论 ARIMA(0,1,1)(0,1,1)₁₂乘积季节模型能够较好地拟合甲型肝炎发病趋势,可用于全国甲型肝炎发病预测,为全国甲型肝炎疫情防控提供一定的科学依据。     

差分整合移动平均自回归模型在医院流感样病例监测中的应用

目的 应用差分整合移动平均自回归模型（autoregressive integrated moving average model,ARIMA）分析医院流感样病例报告数据,初步探索ARIMA模型在流感样病例监测和预警上的效果,以期更好地指导医院相关医务人员应对秋冬季流感就诊高峰,全面开展流感防治工作,及时有效地应对疫情。方法 利用2014年1月12日至2017年10月14日间首都医科大学附属北京朝阳医院每日报告的流感样病例数据建立ARIMA模型,选取2017年10月15日至12月24日的流感样病例数据作为检验集来评价模型。结果 ARIMA（2,0,0）模型应用于首都医科大学附属北京朝阳医院流感样病例时,决定系数（R²）为0.87。用该模型进行回代预测,预测值与实际值吻合程度较高。结论 ARIMA（2,0,0）模型分析结果显示该模型在首都医科大学附属北京朝阳医院流感预测中具有较好的效果。可为其他医疗机构在流感样病例监测工作中提供借鉴依据。     

医院出院人数的因素分析

随着医疗卫生体制改革的不断深入,以及加入WTO后外资医院的即将进入,国内的医院已面临新的挑战,医院管理也遇到了新的课题.作为医院统计工作者,如何通过对统计数据的分析,为医院的日常管理和正确决策提供科学依据,是当前我们面临的重要任务.本文试通过对某院出院人数的变化,用综合指数法及平均数指数法的统计分析方法,找出影响因素的内在联系,扬长避短,促进医院经济效益和社会效益的共同提高.     

ARIMA模型在流行性感冒预测中的应用

目的 探讨ARIMA模型在流感预测方面的应用,建立流感发病预测模型,并证明模型的适用性. 方法利用重庆市2002年1月-2006年6月流感发病数资料,通过SPSS拟合ARIMA模型,用Q统计量法对模型适应性进行检验. 结果建立ARIMA(1,1,1)模型,模型Q统计量<χ2α(m),P>0.05,证实了该模型的适用性.结论 ARIMA模型可用于流感发病的动态分析和短期预测.     

ARIMA模型在乙肝发病预测中的应用

目的 拟合ARIMA模型对迁安市乙肝发病趋势进行时间序列分析和预测,为乙肝预警系统提供决策依据.方法 收集迁安市2004年1月～2010年12月乙肝月发病率资料,利用SPSS统计分析软件拟合ARIMA模型并预测2011年乙肝逐月发病率.结果 拟合最佳模型为ARIMA(0,1,1)(1,1,0)12,残差为白噪声序列,预测值与实际值的平均相对误差为0.133,预测结果较为可靠.结论 利用ARIMA模型进行乙肝发病率的短期预测,预测结果符合当前的发病现状及采取的防治措施,能够对乙肝的早期预警模型的建立提供借鉴,从而有针对性地采取相应的控制措施.     

应用时间序列模型预测安康市细菌性痢疾的发病率

目的探讨应用ARIMA模型预测细菌性痢疾发病率的可行性,为细菌性痢疾的防治提供科学依据。方法应用SPSS13.0对安康市2005～2009年细菌性痢疾的月发病率进行ARIMA模型拟合,并用所得到的模型对2010年细菌性痢疾的月发病率进行预测,将预测值与实际值进行比较。结果 ARIMA（0,1,1）×（0,1,1）12模型很好地拟合了既往时间段上的发病率序列,对2010年月发病率的预测值符合实际发病率变动趋势。结论时间序列模型可以模拟细菌性痢疾发病率在时间序列上的变动趋势。     

重庆市法定报告传染病预测与监测的ARIMA模型

目的:通过对2003年1月～2008年12月重庆市法定报告传染病逐月发病率数据的分析,研究其变化规律,建立预测与监测的ARIMA时间序列模型.方法:用Box-Ljung统计量评价ARIMA模型的拟合度,用平均预测相对误差作为预测效果的评价指标.结果:重庆市法定报告传染病发病以年为周期,1年中4～6月为高发月,尤其是5月和6月最为严重.ARIMA(0.1.0)(O,1,1)12模型是重庆市法定报告传染病拟合的最佳模型,其拟合残差的方差为12.23,外推预测的平均相对误差为8.3%.结论:对传染病发病率历史数据进行时间序列分析是用于传染病监测的一个重要的内容.本研究所建立的ARIMA模型适用于重庆市传染病发病率预测与监测.     

自回归移动平均模型在恙虫病预测中的应用研究

目的探索基于季节性差分的自回归移动平均模型(ARIMA模型)在恙虫病预测应用的可行性。方法搜集中国疾病预防控制信息系统中的恙虫病发病资料,应用SPSS 17.0软件中的ARIMA模型,对北京市平谷区2010-2015年的恙虫病病例发病时间建立模型并拟合,根据模型对2016年的发病数做出预测。结果北京市平谷区恙虫病发病呈现逐年上升趋势,具有明显的季节性和周期性,每年的10月为发病高峰,经选取最优模型为ARIMA(1,2,2)(2,1,0)12,其平稳的R2=0.889,BIC=5.460,Ljung-Box Q检验,P=0.428,残差序列为白噪声序列。结论利用监测数据建立时间序列是预测传染病发展趋势的一个重要手段,此次建立的ARIMA模型对北京市平谷区恙虫病发病值及预测值拟合较好,可以作为恙虫病短期发病预测手段。