不同时间序列分析方法在高血压发病率预测中的比较.docVIP

　　不同时间序列分析方法在高血压发病率预测中的比较 【摘要】 　　目的 比较时间序列分析中指数平滑法、移动平均法、自回归分析及求和自回归滑动平均法（ARIMA）在海西州地区2001年1月至2007年12月高血压发病率预测中的优劣。方法 用时间序列分析各方法建模预测，比较各方法的误差平方和、赤池信息量、施瓦茨信息量、拟合优度和拟合效果，确定最佳预测方法。结果 指数平滑法、移动平滑法、自回归分析法及求和自回归滑动平均法中，ARIMA模型的误差平方和、赤池信息量、施瓦茨信息量最小，拟合优度最大，拟合效果最好。结论 海西州地区2001年1月至2007年12月的高血压发病率预测中，时间序列诸分析方法中求和自回归滑动平均法预测效果最好。 【关键词】 ARIMA模型；预测;时间序列分析;高血压;发病率 　　【Abstract】 Objective To provide the fittest model for forecasting hypertension incidence in Haixizhou region by paring the results of exponential smoothing, moving average, autoregressive model and autoregressive integrated moving average model (ARIMA model) from January to December in 2007. Methods The fitting effects of four statistical methods odel ong the four statistical methods, the effect of fitting and prediction of moving average model odel seems to be the fittest one in the prediction of hypertension in Haixizhou region from January, 2001 to December，2007. 　　【Key odel; Predict; Time series analysis; Hypertension; Incidence 　　近来，时间序列分析无论在理论上还是在应用方面，都有迅速的 发展 ，成为概率统计学中一个内容丰富的重要分支，作为一种 现代 数据处理方法，时间序列分析在系统辨识与系统分析中占有十分显著的地位〔1〕。由于疾病发病率是有记忆的随机过程，残差间自相关不独立，所以不能用一般线性回归建模，应当选用适当的模型描述指标变化 规律 ，利用模型作短期预测〔2〕。高血压发病率受到许多因素的制约，且这些因素之间又保持着错综复杂的联系，因此，运用结构性的因果模型分析和预测往往比较困难。本文尝试应用时间序列分析对青海海西州地区高血压发病资料进行分析，以阐明其变化规律，达到快速有效地预测。 　 　1 资料与方法 　　1.1 资料来源 　　全部发病资料取自青海海西州第一人民 医院 。经过核对、补漏，从而保证资料的准确和完整。运用Excel2003及EVie. 　　2.1.2 用移动平滑法建模预测 　　通过做自相关分析图发现偏自相关系数q取12时，拟合优度最大，故选MA(12)模型：yt=εt-0.261 9 εt-1-0.451 6 εt-2-0.519 6 εt-3-0.621 7 εt-4-0.620 0 εt-5-0.450 0 εt-6-0.307 5 εt-7-0.701 6 εt-8-0.538 7 εt-9-0.114 4 εt-10+0.096 4 εt-11-0.173 0 εt-12。见图1、表2。表1 指数平滑法SSE比较，表2 移动平均模型拟合优度比较（略）。 　　2.1.3 用自回归分析建模预测 由自相关分析图（图1）发现p取1、2、4、7、8比较合理，而由表3可知，当p=8时，拟合优度最大，故选AR（8）模型：yt=0.157 0 yt-1+0.182 3 yt-2+0.084 1 yt-3+0.260 1 yt-4+0.194 2 yt-5+0.005 7 yt-6-0.153 2 yt-7+0.260 4 yt-8+εt。见图1，表3。表3 自回归模型拟合优度比较（略） 　　2.1.4 用ARIMA模型建模预测 　　进行分析时，首先确定ARIMA模型的各阶数，模型阶数的确定通过比较不同阶数时拟合优度及分析自相关分析图和偏自相关分析图实现。如表4、图2显示ARIMA（7，1，8）较好，统计量信息包括回归标准误差（standard error of reg