求和自回归滑动平均模型结合圆分布法分析脑卒中死亡率动态规律

通过1999年1月至2006年12月天津市脑卒中逐月死亡率数据,应用圆分布法探讨脑卒中死亡率的季节分布,动态变化规律,建立监测与预测的时间序列模型.通过模型辨识、参数估计及其检验、白噪声检验、模型的拟合度分析等过程,建立求和自回归滑动平均模型(ARIMA)的季节乘积模型(P,d,q)(P,D,Q)s.脑卒中死亡率以年为周期,一年中1月为高发月份.建立ARIMA(0,1,0)×(0,1,1)12:模型:(1-B)(1-B12)lnx1=0.001+(1-0.537B12)εt.结论:ARIMA乘积模型结合圆分布法是对脑卒中死亡率进行时间序列分析的重要方法;应用该方法可对脑卒中流行趋势及死亡率进行预测,为卫生资源合理分配、公共卫生政策计划制定和防治结果考核提供科学依据.     

ARIMA乘积季节模型在全国布鲁菌病发病预测中的应用

目的应用求和(差分)自回归移动平均(Autoregressive Integrated Moving Average Model,ARIMA)乘积季节模型分析季节性时间序列,建立全国布鲁菌病发病数的预测模型。方法利用中国疾病预防控制中心2011年1月—2016年12月按月报告的布鲁菌病发病数历史疫情数据,采用最大似然法估计模型参数,模型定阶后,建立布鲁菌病按月发病数ARIMA乘积季节预测模型。结果非季节和季节移动平均参数分别为0.357 35、0.666 64,均P0.05,AIC=911.337 2,SBC=917.569 8,均P0.05,据此建立ARIMA(0,1,1)(0,1,1)12乘积季节模型,模型表达式荦荦12xt=(1-0.357 35B)(1-0.666 6412)εt,并开展全国布鲁菌病发病数的预测。结论 ARIMA(0,1,1)(0,1,1)12乘积季节模型可用于预测布鲁菌病的发病情况。     

山西省学生肺结核发病趋势预测

探讨自回归移动平均模型(ARIMA模型)在山西省学生活动性肺结核发病情况及流行趋势预测中的应用,为学生结核病疫情的防治工作提供科学依据.方法 运用SAS 9.3软件对2010年1月至2019年9月山西省学生活动性肺结核的月度报告数据建立最优ARIMA模型,并预测未来2年发病趋势.结果 2010-2019年山西省学生活动性肺结核平均报告率为23.52/10万,呈总体下降趋势(x2=999 980.46,P<0.01).拟合最优模型为SARIMA(0,1,1)(0,1,1)12,SBC=982.16,拟合方程为(1-0.63B)(1-B12)Yt=(1-0.61B12)εt,平均相对误差为19.35%,预测发病趋势与历年一致,3-5月为发病高峰.结论 山西省学校结核病防治工作取得良好进展,ARIMA乘积季节模型能够较好预测学生活动性肺结核发病流行趋势,为学校结核病疫情的早期防控提供科学依据.     

手足口病月发病率ARIMA乘积季节模型预测探讨

目的探讨ARIMA乘积季节模型在HFMD月发病率预测中的应用价值,为手足口病防控工作提供依据。方法以2009年1月~2015年12月全国HFMD月发病率数据为基础,使用Eviews8.0建立ARIMA乘积季节模型,采用2016年1月~6月实际数据验证,以RMSE、MAE、Theil IC、BP、VP、CP、MRE评估模型预测结果。同法预测2016年7月~12月全国HFMD月发病率。结果 2009年1月~2016年6月HFMD月发病率最优模型是ARIMA(1,0,1)×(0,1,1)_(12),模型口径为:(1-B~(12))(1-0.574B)xt=(1-0.441B)(1+0.919B~(12))ε_t,RMSE=4.15,MAE=2.59,Theil IC为0.143,BP=0.045,VP=0.225,CP=0.730,2016年7月~12月发病率(1/10万)预测值分别为24.70、14.96、15.00、14.12、13.05、11.22。结论 ARIMA(1,0,1)×(0,1,1)_(12)模型可较好地拟合全国HFMD月发病率的演变趋势,可用于HFMD发病率的短期预测。     

ARIMA模型与GM(1,1)模型在细菌性痢疾发病率预测中的比较研究

目的评价ARIMA和GM(1,1)模型在细菌性痢疾发病预测的应用效果,为选择适宜的预测方法提供依据。方法利用深圳沙井街道2006-2013年的细菌性痢疾的发病数据构建ARIMA模型和GM(1,1)模型,评价拟合效果。结果建立的ARIMA(1,1,1)(0,1,1)12模型为:(1-0.623B)(1-B)(1-B12)Yt=(1-0.963B)(1-0.72B12)et,GM(1,1)模型为:Y(t+1)=-190.506e-0.23003t+250.126。两个模型的平均误差率(MER)分别为2.91%和6.24%;决定系数分别为0.994和0.967。结论 ARIMA模型对细菌性痢疾发病率预测的效果较好,但在预测传染病发病的时候,尽可能地使用多种模型进行拟合,挑选出效果最好的。     

乘积季节ARIMA模型在结核病发病率预测中应用

目的 探讨乘积季节自回归移动平均(ARIMA)模型在结核病疫情预测的可行性.方法 利用某省2004年1月-2011年6月结核病疫情监测资料建立乘积季节ARIMA预测模型,选取2011年7-12月的疫情资料评价模型的预测效能.结果 该省2004年1月-2011年12月结核病的发病率呈现明显的季节效应,且发病率逐年小幅递减;乘积季节ARIMA(1,1,0)×(1,1,0)12模型能较好拟合既往时间段内结核病的发病率,且对2011年7-12月结核病月发病率的预测值与实际值基本吻合,平均误差绝对值及平均误差绝对率分别为0.317和4.77％.结论 乘积季节ARIMA模型能较好模拟、预测结核病的发病疫情,具有较好的推广应用价值.     

应用ARIMA乘积季节模型分析我国布鲁菌病时间分布特征及趋势预测

目的探讨ARIMA乘积季节模型在分析我国布鲁菌病(布病)月发病率时间分布特征中的应用,预测其发病趋势。方法通过国家公共卫生科学数据中心和国家卫生计生委疾病预防控制局网站,收集并计算布病月发病率数据。分析布病时间分布特征,对2004年1月—2016年12月发病率数据建立ARIMA乘积季节模型,用2016年1—12月发病率数据拟合模型,选出最优模型,并预测2017年月发病率数据。结果我国布病月发病率数据整体处于上升趋势且具有明显的季节特征,每年5、6月属于高发病期,10月至次年2月发病率较低。拟合ARIMA(2,1,1)(1,1,1)12模型为预测我国布病的最佳模型,拟合值与实际值进行比较,2016年12个月的平均相对误差为8.79%,按全年发病率计算,相对误差为4.05%,显示模型的预测精度较高,并预测2017年1—12月发病率。结论 ARIMA乘积季节模型能很好地拟合布病的长期趋势和季节趋势,回代拟合和短期预测效果较理想。     

两种预测模型在ESBLs肺炎克雷伯菌流行趋势预测中的应用

目的通过运用2010年-2016年的既往监测数据分析和比较指数平滑法与求和自回归移动平均(ARI-MA)乘积季节模型对产超广谱β-内酰胺酶(ESBLs)肺炎克雷伯菌检出人数的预测效能,分析与预测产ESBLs肺炎克雷伯菌的流行趋势。方法使用浙江某医院2010年1月-2015年12月的产ESBLs肺炎克雷伯菌的月度监测数据,分别建立ARIMA模型与指数平滑法,以平均绝对百分误差(MAPE)及贝叶斯信息准则(BIC)作为评价指标评价模型的可行性。以2016年1-12月产ESBLs肺炎克雷伯菌的检出人数作为预测模型的样本数据以验证模型的预测效果。结果 ARIMA乘积季节模型筛选出的最优模型为ARIMA(0,1,1)(2,1,0)12,模型的MAPE为44.92,BIC为3.63,平均预测误差为14.34%。指数平滑法所筛选出的最优模型为简单季节模型,模型的MAPE为37.03,BIC为3.00,平均预测误差为17.65%。结论同简单季节模型相比,ARIMA乘积季节模型对该院既往监测数据拟合效果更为理想,预测精度更高,可用于预测产ESBLs肺炎克雷伯菌感染情况的预测和预警。     

南通市水痘疫情时间序列分析

应用季节乘积求和自回归移动平均模型分析南通市水痘每月发病数时间序列,为建立疫情预测模型提供参考依据.方法 利用Eviews软件对南通市2008至2014年间水痘病例月报告数进行建模,首先采用自然对数转换、差分法平稳序列,然后估计模型参数,对模型进行检验,筛选最优模型,最后进行预测分析.结果 成功建立模型ARIMA(1,0,0)(1,1,0)12,模型表达式为:(1-B12)lnxt(1-0.579 4B) (1+0.312 2B12)=εt.模型通过残差白噪声检验,P>0.05;平均绝对百分误差为8.90%,预测精度较高.运用该模型预测2015年l-6月病例数分别为67,36,64,55,72和87例.结论 该模型对南通市水痘发病情况拟合和趋势预测结果较好,可根据预测结果开展水痘疫情相关防控准备工作.     

上海市痢疾发病率预测自回归求和移动平均模型的构建与应用

目的 探讨构建并应用自回归求和移动平均(autoregressive integrated moving average,ARIMA)模型预测上海市痢疾发病率的可行性.方法 基于1990-2007年上海的逐月痢疾发病率,采用非条件最小二乘法估计模型参数,按照残差不相关原则与简洁原则确定模型结构,依据赤池信息准则(Akaike information criterion,AIC)及许瓦兹贝叶斯准则(Schwarz Bayesian criterion,SBC)确定模型的拟合优度,建立预测上海痢疾发病率的最优ARIMA模型.用所得模型预测上海2008年的痢疾发病率,比较预测值与实际值的差异;再以1990年1月至2009年6月的数据构建模型预测上海2010年的痢疾发病率.结果 模型ARIMA(1,1,1)(0,1,2)_(12)较好拟合了既往时间段痢疾发病率的时间序列,模型自回归参数(AR1=0.443)、移动平均参数(MA1=0.806)与季节移动平均参数(SMA1=0.543、SMA2=0.321)均有统计学意义(P<0.01),AIC值=2.878,SBC值=16.131,模型残差为白噪声,模型数学函数式为(1-0.443B)(1-B)(1-B~(12))Z_t=(1-0.806B)(1-0.543B~(12))(1-0.321B~(2×12)μ_t.2008年逐月痢疾发病率的预测值符合实际值的变动趋势,全年发病率预测值与实际值的相对误差率为6.78%.预测2010年上海市痢疾发病率为9.390/10万.结论 ARIMA模型可以较好地拟合上海市痢疾发病率的时间变化趋势,并可用于预测未来的痢疾发病率,是一种短期预测精度较高的预测模型.