ARIM模型预测上海市手足口病发病趋势.docVIP

ARIMA模型预测上海市手足口病发病趋势 采用ARIMA模型建立上海市手足口病发病预测模型。方法 应用SPSS18.0软件对上海市2005-01/2010-06手足口病月发病率进行ARIMA模型建模拟合，并与实际发病率进行比较。结果 ARIMA(1,0,0)(0,1,0)12模型能很好地拟合既往时间段的发病序列，对2010-01/06的预测值符合上海市该病的发病率变动趋势。2011和2012年上海市手预测足口病的年发病率分别为235.32/10万和294.59/10万。结论 ARIMA模型能够较好模拟上海市手足口病在时间序列上的变动趋势，并对未来2年该病发病情况进行预测。 手足口病（hand-foot-mouth disease，HFMD）是以婴幼儿发病为主、表现为发热和手、足、口腔等部位出现皮疹或疱疹的常见病及多发病，严重时可引起死亡，已成为危害儿童健康的重点传染病之一。20世纪90年代后期，该病在亚太地区许多国家发生暴发，流行状况呈上升趋势 [1-3]。 2005年，上海市开始对该疾病进行监测和报告，研究采用时间序列分析法中的求和自回归滑动平均模型（auto regressive integrated moving average，ARIMA）上海市的手足口病进行预测，为上海市的手足口病的防制工作提供科学依据。 1 材料与方法 1.1 资料来源 数据为2005-01/2010-06上海市手足口病报告病例数，数据来自国家传染病疾病报告管理系统（2008-05手足口病被纳入国家法定传染病管理）。2005-2010年各年的上海市常住人口数来源于上海市统计局。 1.2 方法 利用SPSS18.0统计软件中ARIMA模型分析方法，通过数据处理及模型识别、模型参数估计、模型检验和产生预测4个步骤，对上海市6年的手足口病月发病率时间序列进行分析。首先利用2005-01/2009-12的发病率数据进行建模，用2010-01/06的数据验证模型预测的外推效果，最后再用模型对2011年和2012年的发病率进行预测。 1.3 ARIMA模型构建 ARIMA模型是将时间序列视为一组依赖于时间(t)的随机变量，这组随机变量所具有的自相关性表征了预测对象发展的延续性，而这种自相关性一旦被相应的数学模型描述出来，就可以从时间序列的过去值及现在值预测其未来的值[4]。 ARIMA模型综合考虑了序列的趋势变化、周期变化及随机干扰。考虑季节变化的季节性ARIMA模型其结构为ARIMA(p,d,q)(P,D,Q)，其中的p、q分别为自回归和移动平均阶数，d为非季节差分次数，P、Q分别为季节性自回归和移动平均阶数，D为季节性差分次数，s为季节周期，其基本公式为 。该公式中 表示时间； 表示随机误差； ， 为原始时间序列； 表示后移算子，即 ； 和 分别表示非季节性的自回归算子，表示成后移算子的多项式为 ， ； 和 则分别表示季节性的自回归算子，表示成后移算子的多项式为 ； 。 建立ARIMA模型按照以下4个阶段进行[5]： （1）序列平稳化 根据上海市2005-01/2010-06手足口病报告发病率序列图和自相关函数（autocorrelation function,ACF）分析图确定序列的平稳性。若序列变异较大，则先进行自然对数转换。对于有长期趋势或有周期变化的非平稳序列，可以对原序列进行非季节差分以消除长期趋势；或进行季节差分，消除周期性影响，使得序列平稳化。 （2）模型的识别和定阶 根据发病率序列的ACF和偏自相关函数（partial autocorrelation function，PACF）分析图，进行模型的初步识别和定阶。 （3）模型参数估计和模型诊断 利用非线性最小二乘法估计模型参数。参数估计后，对模型的残差序列进行白噪声检验，用以判断ARIMA模型的适合性。根据标准化的BIC准则判定模型的拟合优度(BIC值相对较小的模型较好)。如不恰当则返回第二阶段，重新选定模型。通过调试比较，确定残差序列为白噪声， 标准化的BIC值较小，模型较为简洁的为最佳模型。 （4）预测应用 用选定的模型对2009年手足口病报告发病率作短期预测，预测效果评价指标通常为相对误差。 2 结果 2.1 手足口病报告发病率基本情况 上海市2005-01/2010-06手足口病报告发病率呈现明显增长趋势，每年均出现发病高峰月，有明显的季节性波动。2007年起报告发病数开始明显增多，发病高峰多在5~6月，至2009年4月则提前出现了发病小高峰；虽然2009年发病的峰值均较2008年低，但全年报告发病总数却多于2008年，见图1。 图1 上海市2005年1月至2010年6月手足口病报告发病率时序图 2.2 建立季节性ARIMA模型 2.2.1 模型的识别