ARIMA模型在传染病发病率预测中的应用.pdfVIP

J ournal of Mat hematical Medicine Vol . 20 　　No . 1 　　2007 　　文章编号 (2007) 0 1009003 　　　中图分类号 : R 183 　　　文献标识码 : B ·成果应用 · A R IMA 模型在传染病发病率预测中的应用 吴家兵 　　叶临湘 　　尤尔科 (华中科技大学同济医学院流行病与卫生统计教研室 　武汉 430030) 摘 　要 : 　目的:探讨应用时间序列 A RIMA 模型进行法定传染病发病率预测的可行性 。方法 :应用 SP SS115 软件对 1986 年～ 2002 年逐月发病率进行 RIMA 模型建模拟合 ,用所得到的模型对 2003 年各月发病率进行预测 ,并与实际发病率进行比较 。结果 : ( ) ( ) A RIMA 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 2003 年各月发病率的预测值符合实际发病率变动趋 势 。结论 :A RIMA 模型能很好地模拟传染病发病率在时间序列上的变动趋势 ,并对未来的发病率进行预测 ,为传染病防治工作服 务 。 关键词 : 　时间序列分析 ; 　A RIMA 模型 ; 　预测 ; 　法定传染病 ; 　发病率 　　时间序列是按时间顺序排列的一组数据 ,时间序列分析 和诊断 ,如模型不恰当 ,则回到第二阶段 ,重新选定模型 ; ④预 就是利用这组数据 ,应用数理统计方法加以处理 , 以预测未来 测应用 :1986 年～2002 年的数据用于建立模型 ,2003 年的数 事物的发展 。近年来这一方法已经越来越多的应用于经济管 据用于验证模型的预测效果 。 理 、气象预测 、病虫害预测等领域 ,也有人将其应用于疾病发 2 　建模步骤 生的预测[ 1～3 ] 。我们尝试运用时间序列分析中被广泛应用的 A R IMA 模型对东风汽车公司 1986 年～2002 年的法定传染 21 　序列的平稳化 病月发病率进行拟合 ,并探讨使用此模型进行发病率预测的 一个平稳的随机过程应符合以下要求 :均数不随时间变 可行性 ,为传染病监测和防治提供帮助 。 化 ;方差不随时间变化 ; 自相关系数只与时间间隔有关 ,而与 所处的时间无关[2 ] 。对原序列作线图 ,发现 1996 年以前数据 1 　材料和方法 的变异较大 ,序列的方差在前后差别明显 。因此首先对数据 11 　材料 采取自然对数变换 , 以平稳序列的方差 。经过对数转换后的 东风汽车公司疾病控制所 1986 年～2003 年逐月法定传 序列作直线回归拟合 ,直线回归系数 = - 0 . 059 , t = 12 . 536 , P 染病发病数及年度人口数 。 0. 00 1 ,可以认为序列有下降趋势 。再对经 自然对数转换后 12 　方法 的序列作自相关图 ,发现 A CF 序列在时点 12 、24 、36 处都有 用 SP SS115 进行数据处理与分析 。A R IMA 模型建模 一个局部极大值 ,说明存在以 12 个时间单位为一个周期的季 过程按 4 个阶段进行[4 ] : ①序列平稳化 :A R IMA 的应用需要 节性 。根据上述特点 ,采用先进行一次一般差分 ,再进行一次 时间序列符合平稳性 的要求 ; ② 模型