时间序列分.docVIP

时间序列分析在卫生领域的应用及展望 时间序列是根据时间顺序得到的一系列观测值[1]。时间序列分析是动态数据分析处理的一种重要的方法,它以不仅在数量上揭示某一现象的发展变化规律，或从动态的角度刻画某一现象与其他现象之间的内在数量关系及其变化规律性，达到认识客观世界的目的。而且，运用时序模型还可以预测和控制现象的未来行为，修正或重新设计系统以达到利用和改造客观之目的。 时间序列分析在,时间大站前应用于经济预测。二次大战中和战后，在军事科学、空间科学、气象预报和工业自动化等部门的应用更加广泛随着时代发展和科学进步，此方法也在卫生领域得到了较多应用。本文将对时间序列分析理论发展及在公共卫生领域的应用展开讨论及展望。 1、时间序列分析的基本概念 1.1时间序列 从数学意义上来讲，如果对某一过程中的某一个或一组变量X（t）进行观察，在一系列时刻t1，t2，……，tn（t为自变量且t1t2……tn）得到的离散有序数集合Xt1，Xt2，…，Xti，…，Xtn称为离散数字时间序列，即随机过程的一次样本实现。设X（t：t∈T）是一个随机过程，，Xti（i=1,2,……）是在时刻i对过程X（t）的观察值，则Xti（i=1,2……）称为一次样本实现，也就是一个时间序列。 1.2随机过程 随着时间发展并且遵循概率法则的统计现象我们将其称为随机过程。我们经常简单地称其为“过程”，省略了“随机”二字，我们要研究的时间序列可以视为一个特殊实现，这一实现由系统依照基本的概率机制而产生，换句话说，在一个时间序列时，我们通常把它当成是随机过程的一个实现。 2.常见模型及其基本原理 目前时间序列分析常用方法主要有3 种: 数据图法、指标法和模型法。其中模型法利用现代数理方法, 结合计算机技术, 拟合最优模型有明显的优越性, 占据了时间序列分析中的主导地位[2]。下面介绍适用范围较为广泛的几种模型。 2.1 自回归AR(p) 模型 仅通过时间序列变量的自身历史观测值来反映有关因素对预测目标的影响和作用,不受模型变量相互独立的假设条件约束,所构成的模型可以消除普通回归预测方法中由于自变量选、多重共线性等造成的困难。 2.2 移动平均MA(q) 模型 用过去各个时期的随机干扰或预测误差的线性组合来表达当前预测值。AR (p) 的假设条件不满足时可以考虑用此形式。 2.3自回归移动平均ARMA(p ,q) 模型 使用两个多项式的比率近似一个较长的AR 多项式,即其中p + q 个数比AR (p) 模型中阶数p 小。前二种模型分别是该种模型的特例。一个ARMA 过程可能是AR 与MA 过程、几个AR 过程、AR 与ARMA 过程的迭加,也可能是测度误差较大的AR 过程。 2.4.自回归综合移动平均ARIMA(p ,d ,q) 模型 模型形式类似ARMA (p ,q) 模型,但数据必须经过特殊处理。特别当线性时间序列非平稳时,不能直接利用ARMA(p ,q) 模型,但可以利用有限阶差分使非平稳时间序列平稳化,实际应用中d 一般不超过2 。若时间序列存在周期性波动,则可按时间周期进行差分,目的是将随机误差有长久影响的时间序列变成仅有暂时影响的时间序列。即差分处理后新序列符合ARMA(p ,q) 模型,原序列符合ARIMA(p ,d ,q)模型。 3.时间序列分析在卫生领域的应用 3.1艾滋病发病率时间序列上的发展趋势应用 艾滋病，即获得性免疫缺陷综合征（acquired immune deficiency syndrome ,AIDS）是由艾滋病病毒（HIV）破坏人体免疫系统，使丧失抵抗各种疫病能力的一种严重危害人类生命安全的疾病。自1981年6月5日美国疾病预防控制中心在《发病率与死亡率周刊》上对艾滋病正式记载以来，艾滋病迅速席卷全球。而我国对于艾滋病的重视程度及防治力度已经跻身世界前列，若能够预测艾滋病发病率的发展趋势，就更有利于国家和政府进行严格而科学的监督管理。罗静[3]等人利用1993—2009年重庆市辖区月度新发艾滋病感染人数以及该市2010年卫生统计年鉴，通过序列的平稳化、模型识别以及参数估计和模型诊断三个阶段，最终建立ARIMA预测模型，ARIMA（1,1,1）×（0,1,0）12很好地拟合了艾滋病发病率，2009年7—12的预测值符合实际发病率变动趋势。 3.2传染性疾病发病率时间序列上的发展趋势应用 传染性疾病就是我们常说的传染病，是许多种疾病的总称，它是由病原体引起的，能在人与人、动物与动物或人与动物之间相互传染的疾病。最常见的传染病包括：流行性感冒、乙肝、细菌性痢疾、流脑、结核病、急性出血性结膜炎等。而传染病在人群中流行，必须同时具备三个基本条件：传染源、传播途径和乙肝人群。传染病的发生往往同时具有长期趋势、季节性、周期性、短期波动和不规则变动等特点，若