ARIMA模型在肺结核发病预测中的应用.pdfVIP

中国卫生统计2010年 1O月第27卷第 5期 · 507 · · 应用研究 · ARIMA模型在肺结核发病预测中的应用 甘肃省疾病预防控制中 (730000) 孟 蕾 王玉明 【提 要】 目的 探讨应用 自回归滑动平均混合模型(ARIMA)预测肺结核发病率的可行性。方法 应用 SPSS 13．0软件对甘肃省2000年 1月 ～2008年6月肺结核逐月发病率进行ARIMA建模拟合 ；用2008年7—12月逐月发病率 检验模型，并进一步预测2009年分月发病情况。结果 模型ARIMA(0，1，1)(1，1，0)，(不含常数项)所有参数都通过统 计学检验，残差序列是白噪声 ，拟合优度相对最好，参数间弱相关 (r=0．269)，用模型进行预测，其预测值与实际值之间的 平均相对误差为0．046，模型预测精度较高。结论 自回归滑动平均混合模型可很好地模拟和预测肺结核发病率在时间 序列上的变动趋势，将其应用于肺结核发病预测是可行的。 【关键词】 ARIMA模型 预测 肺结核 本文运用时间序列分析方法 中的ARIMA模型对 性。我省肺结核逐月报告发病数呈现出明显的季节 2000年 1月 一2008年 12月的肺结核逐月发病率进行 性，其中以1月份报告发病数最多，12月份最低，表现 拟合与预测，以探讨使用此模型预测甘肃省肺结核未 出每 l2个月出现一次明显的发病高峰。③序列升降 一 。H_，H～ 来发病率，为加速控制肺结核提供依据。 趋势明显。 5 0 5 资料与方法 1．资料来源 甘肃省疾病预防控制中心2000年 1月 一2008年 I2月疫情监测资料 2．分析方法 运用SPSS13．0建立发病资料数据库，并利用相 关统计学模块进行数据处理与分析，即通过4个步骤 建立 ARIMA模型 ¨l2]：①序列的平稳化：要识别一个 隐藏在时间序列里的基本模型，首先确定序列是否平 吾 = i 三 稳，否则应对序列进行变换，使序列满足建模平稳的要 昌 g g g 昌 g g 昌 g g 求。②模型识别：主要通过 自相关图，包括 自相关函数 年(月) (ACF)和偏 自相关函数 (PACF)等，把握模型的大致 图1 结核病实际发病率，拟合发病率及 方向，为 目标序列定阶，分析结果通常提示一个或多个 预测发病率时间序列图 ARIMA模型。③模型的参数估计与检验：参数估计是 再从原序列的自相关图分析有如下特征：①可以 对识别阶段提供的粗模型参数估计并假设检验，用以 看出对于短的时滞来说，自相关系数大且为正，而且随 判断模型是否恰当，并通过模型的残差等诊断统计量 着时滞k的增加而缓慢下降；②在时滞 12，24，…等处 判断模型的适合性。④预测：利用 2008年 7月 一12 有峰态。说明该序列是有趋势，且具有季节性的。 月的数据检验以2000年 1月 ～2008年6月发病率为 2．模型的识别 基础数据建立的模型的预测效果，并对 2009年逐月发 首先对序列进行平稳化处理。用常用的平稳化方 病情况进行预测，产生这些预测值的可信区间。对未 法经过反复试验，发现对原序列进行对数转换后，再进 来预测也是模型实际应用价值的体现。 行一次一般差分和一次季节差分相对较合理。对处理 后的序列做白相关图，发现低阶的自相关系数较大，但