首页 > 文献资料
-
乘积季节ARIMA模型的建立及其在河南省甲型病毒性肝炎发病数预测中的应用
目的 建立乘积季节自回归移动平均(ARIMA)模型,观察其对河南省甲型病毒性肝炎(甲肝)疫情预测的可行性. 方法 利用河南省2008—2013年分月的甲肝疫情监测资料建立乘积季节ARIMA模型,利用2014年1—12月的甲肝疫情资料评价该模型的预测效能. 结果 河南省2008—2013年甲肝发病呈现明显的季节效应,且发病数呈现逐年减少的趋势;乘积季节ARIMA(1,1,0)(2,1,2)模型能较好地拟合既往的甲肝报告病例数,且对2014年1—12月份按月报告的甲肝病例数的预测值与实际值基本吻合. 结论 乘积季节ARIMA模型能较好模拟、预测河南省甲肝的发病情况.
-
乘积季节自回归积分滑动平均模型在流行性腮腺炎发病率预测中的应用
目的 建立流行性腮腺炎(腮腺炎)月发病率的乘积季节自回归积分滑动平均模型(ARIMA模型),并对湖南省2015年5月至2016年4月腮腺炎月发病率进行预测.方法 数据来源于中国疾病预防控制信息系统中的"疾病监测信息报告管理系统".按发病日期收集2004年1月至2015年4月湖南省腮腺炎的月发病率资料,包括临床诊断病例和实验室确诊病例.采用SPSS 18.0软件中的ARIMA模型作为预测分析方法,利用2004年1月至2014年4月湖南省腮腺炎的月发病率资料进行建模,用2014年5月至2015年4月的月发病率数据作为模型预测效果的检验样本,采用Box-Ljung Q检验法对选定模型残差是否为白噪声进行检验.后采用建立的模型对2015年5月至2016年4月湖南省的腮腺炎月发病率进行预测.结果 湖南省2004年1月至2014年4月期间,每年5-7月为腮腺炎的发病高峰期,11月至次年1月为次高峰.通过序列的平稳化,模型的识别、建立、诊断,建立模型ARIMA(2,1,1)×(0,1,1)12,对该模型的残差进行Box-Ljung Q检验发现,Q=8.40,P=0.868,认为残差序列为白噪声序列,说明所建立的模型对数据信息的提取较为完全,模型建立比较合理.该模型拟合度R2=0.871,BIC值为-1.646,预测值与实际值的平均绝对误差为0.025/10万,平均相对误差为13.004％,说明该模型对湖南省腮腺炎月发病率预测的相对误差较小,预测结果基本可靠.用选定的ARIMA(2,1,1)×(0,1,1)12模型对湖南省2015年5月至2016年4月腮腺炎的月发病率进行预测发现,发病率出现的高峰月份为5-7月,次高峰出现在11月至次年1月,高峰期的发病率与以往同期的发病率水平接近.结论 ARIMA(2,1,1)×(0,1,1)12较好地拟合了湖南省腮腺炎的月发病率的变化趋势,对该病的预防控制具有一定的实用价值.
关键词： 流行性腮腺炎 预测 乘积季节自回归移动平均模型 -
ARIMA模型在流行性腮腺炎疫情预测中的应用
目的建立乘积季节自回归移动平均（ARIMA）模型，观察其对河南省流行性腮腺炎疫情预测的可行性。方法利用河南省2004～2013年分月的流行性腮腺炎疫情监测资料建立乘积季节ARIMA模型，利用2014年1～12月的流行性腮腺炎疫情资料评价该模型的预测效能。结果河南省2004～2013年流行性腮腺炎发病呈现明显的季节效应，且发病数在2006年后呈现逐年增多的趋势；模型ARIMA（1，0，2）（0，1，1）12能较好地拟合既往的流行性腮腺炎报告病例数，且对2014年1～12月按月报告的流行性腮腺炎病例数的预测值与实际值基本吻合。结论ARIMA模型能较好地模拟、预测河南省流行性腮腺炎的发病情况。
关键词： 乘积季节自回归移动平均模型 流行性腮腺炎 疾病预测 -
ARIMA模型在河南省甲型病毒性肝炎发病数预测中的应用
目的 建立乘积季节自回归移动平均(ARIMA)模型,利用该模型预测河南省甲肝发病情况并探讨其可行性.方法 对2008年1月-2015年8月河南省的甲肝疫情监测数据差分平稳化,通过专家建模器筛选优模型,利用2015年9月-2016年8月的甲肝疫情资料来拟合预期值并评价该模型的可行性.结果 2008-2015年河南省甲肝发病数逐年减少且呈现明显的季节效应;本次研究中乘积季节ARIMA(0,1,1)×(1,0,1)12模型能较好的拟合既往的甲肝报告病例数,模型统计量Ljung-Box Q为21.742,P为0.115)0.05,残差序列为白噪音;且对2015年9月-2016年8月按月报告的甲肝病例数的预测值与实际值吻合情况良好,平均误差绝对值4.67,平均相对误差绝对值为0.2.结论 ARIMA模型能较好模拟、预测河南省甲肝的发病情况,该模型的预测效能将优化甲肝预防工作,有较好的推广价值.
关键词： 乘积季节自回归移动平均模型 甲型病毒性肝炎 疾病预测
