首页 > 文献资料
-
时间序列的异常点诊断方法
时间序列是指按照时间先后顺序排列的各个观测记录的有序集合,广泛存在于商业、经济、工程、社会科学和医学等领域.随着时间的推移,时间序列通常包含大量的信息,是建模和预测的主要依据.对时间序列进行分析,可以揭示事物运动、变化和发展的内在规律,对于人们正确认识事物并据此做出科学决策具有重要的现实意义.但在分析时间序列时,经常会发现一些特殊的数据或者数据段,它们的波动与数据集中其他数据的波动有着显著的不同,这种极少出现的数据点或者数据段就称为异常点.Box等(1994)[1]指出异常点对时间序列的模型识别、参数估计、诊断检验乃至预测都有重要的影响.自1972年A.J-Fox在时间序列中首次定义异常点以来,国内外已有大量相关的研究文献[2-7].若序列中含有异常点,就会使传统的建模、估计及检验方法陷入困境,从而给不出准确的预测和控制.因此,近年来关于时间序列中的异常点诊断问题受到统计学界的重视.
-
基于ARIMAX模型的海西州地区高血压月发病率预测
目的 探讨ARIMAX模型在时间序列资料中的应用,建立海西州地区高血压月发病率的预测模型.方法 利用时间序列分析方法对海西州地区2001年1月至2007年12月高血压月发病率数据进行了分析.利用主成分分析法分析出了气象因素中对高血压月发病率影响大的两个因素:月平均气温和月平均气压,并将这两个因素作为引入ARIMA模型中的回归项.经过数据平稳化、模型识别确立了15种ARIMA模型和15种ARIMAX模型,并借助于AIC和SC准则,选出了佳模型ARIMA(4,1,5和ARIMAX(4,1,5).后,对两个模型进行了模型诊断检验,并选出了优模型ARIMAX(4,1,5),通过模型预测,确保了所建ARIMAX(4,1,5)模型的合理性.结果 与传统的趋势模型和ARIMA模型相比,ARIMAX模型的拟合效果更佳,ARIMAX(4,1,5)模型预测值的动态趋势和实际情况基本一致,整体效果不错,实际值都落入了预测值的可信区间范围,结果比较理想.结论 ARIMAX(4,1,5)模型可作为海西州地区高血压月发病率的预测模型,且通过此模型可帮助了解高血压月发病率的发展趋势,有重点地对高血压进行健康防治工作,有效地降低高血压对人们的危害,保障生活质量.
-
基于支持向量机的大学生自杀倾向识别研究
目的 利用支持向量机探讨大学生自杀倾向与自杀倾向风险因素的关系,为开展有针对性的大学生心理健康教育工作提供基础.方法 采用随机抽样法抽取50个样本数据,利用支持向量机(SVM)进行训练并建立识别模型;利用SPSS 20.0对10个风险因素进行相关分析.结果 模型训练样本准确率高达97.5％,识别样本准确率为9/10;风险因素中对大学生自杀倾向的影响程度呈正相关的依次是性格(r=0.626)、身体疾病(r=0.463)、自我要求(r=0.443)、抑郁症(r=0.396)、精神分裂(r=0.329)、学业压力(r=0.279),负相关的是校内人际关系(r=-0.625)、恋爱关系(r=-0.197)、家庭经济状况(r=-0.171)、家庭关系(r=-0.152)(P值均＜0.05).结论 SVM所建立的大学生自杀倾向识别模型具有有效性与实用性,内向性格对自杀倾向结果影响大.
