流行性腮腺炎疫情时间序列模型建立与应用

时间序列是指观察或记录到的一组按时间顺序排列的数据。由于时间序列展示了研究对象在一定时期内的发展变化过程,因此可以从中分析寻找出其变化特征、趋势和发展规律的需要信息。时间序列预测实质上就是根据现在与过去的随机序列的样本取值,对未来某一个时刻的随机变量进行估计〔1〕。时间序列分析是专门用于分析这种时间序列资料的统计模型,它主要分析的是变量间的因果关系,重点观察变量随时间变化的发展规律〔2〕。     

应用时间序列方法分析菌痢季节性分布特性

目的:分析菌痢是否存在季节性周期分布特征,为研究致病因素、考核防治措施提供科学依据。方法:对构成双向有序列联表时间序列数据的深圳市龙岗区1993~2004年菌痢逐月发病资料,利用游程检验和有序对数比检验两种不同统计方法进行季节性分布分析。结果:游程检验示P<0.05,有序对数比检验示P>0.05。结论:两种方法所得结果具有一致性,菌痢发病具有季节性升高的特征。     

应用时间序列方法分析菌痢季节性分布特性

目的 分析菌痢是否存在季节性周期分布特征，为研究致病因素、考核防治措施提供科学依据。方法 对构成双向有序列联表时间序列数据的深圳市宝安区1993-2004年菌痢逐月发病资料，利用游程检验和有序对数比检验两种不同统计方法进行季节性分布分析。结果 游程检验示P〈O．05，有序对数比检验示P〉0．05。结论 两种方法所得结果具有一致性，菌痢发病具有季节性升高的特征。     

时间序列的异常点诊断方法

时间序列是指按照时间先后顺序排列的各个观测记录的有序集合,广泛存在于商业、经济、工程、社会科学和医学等领域.随着时间的推移,时间序列通常包含大量的信息,是建模和预测的主要依据.对时间序列进行分析,可以揭示事物运动、变化和发展的内在规律,对于人们正确认识事物并据此做出科学决策具有重要的现实意义.但在分析时间序列时,经常会发现一些特殊的数据或者数据段,它们的波动与数据集中其他数据的波动有着显著的不同,这种极少出现的数据点或者数据段就称为异常点.Box等(1994)[1]指出异常点对时间序列的模型识别、参数估计、诊断检验乃至预测都有重要的影响.自1972年A.J-Fox在时间序列中首次定义异常点以来,国内外已有大量相关的研究文献[2-7].若序列中含有异常点,就会使传统的建模、估计及检验方法陷入困境,从而给不出准确的预测和控制.因此,近年来关于时间序列中的异常点诊断问题受到统计学界的重视.     

关联分析在医学研究中的应用

灰色系统是指部分信息已知、部分信息未知的系统,医学研究中遇到的常常是这类系统。研究灰色系统的方法很多,关联分析就是其中之一。它的作用是对随机时间序列进行处理,明确各因素对系统的关联程度,从不完全的信息中找出影响系统的主要因素。     

基于趋势外推与ARIMA预测我国医院诊疗及住院人次

目的探索我国医院诊疗与入院人次预测建模方案并比较其差异。方法借助SPSS、SAS软件,以曲线拟合和ARIMA法建立模型进行拟合与预测。结果我国医院诊疗与入院人次数据均符合二次曲线变化,拟合与预测效果好;ARIMA法对二阶差分后平稳序列建模未见更优性能,其拟合性能与数据段选取无明显联系。结论数据预分析和方法适配很有必要;ARIMA法在时间序列分析领域有普适代表性,适于随机长期序列建模;传统曲线拟合法对于趋势平滑数据具有优良性能。     

基于趋势外推与ARIMA预测我国医院诊疗及住院人次北大核心CSCD

目的探索我国医院诊疗与入院人次预测建模方案并比较其差异。方法借助SPSS、SAS软件,以曲线拟合和ARIMA法建立模型进行拟合与预测。结果我国医院诊疗与入院人次数据均符合二次曲线变化,拟合与预测效果好;ARIMA法对二阶差分后平稳序列建模未见更优性能,其拟合性能与数据段选取无明显联系。结论数据预分析和方法适配很有必要;ARIMA法在时间序列分析领域有普适代表性,适于随机长期序列建模;传统曲线拟合法对于趋势平滑数据具有优良性能。     

空气污染对人群就诊影响时间序列分析的数据前处理方法

目的探索空气污染对医院就诊影响的时间序列分析数据前处理方法。方法根据数据特征制定数据清理流程和数据清理规则,通过Excel软件编写函数或VBA程序实现气象数据、空气质量监测数据和医院门诊个案数据的快速清理和整合。结果本研究编写的代码可实现气象数据、空气质量监测数据和医院门诊个案数据的重复性检查、异常值检查、不规范数据快速清理、诊断拆分、ICD-10自动编码和统计报表的自动生成。结论该方法可以很好地解决时间序列分析所涉及的大数据人工清理效率低、准确性不高的问题,具有很强的实用性和通用性。     

含有周期性的时间序列中随机型缺失数据的填补方法

目的用模拟研究的方法,对含周期性的时间序列数据中随机型缺失数据进行填补,比较基于周期信息的时间序列缺失值填补法(简称周期性填补法)和spline插值填补法对缺失数据的填补效果。方法利用SAS模拟产生平稳、有周期性的时间序列数据并构造随机型缺失。分别比较相同序列长度不同缺失比例和相同缺失比例不同序列长度下,两种方法的缺失值填补效果。采用NRMSE和RMSE量化填补的误差。结果相同序列长度下,随着缺失比例的增加,两种填补方法的填补误差均增加,除缺失比例为30%的RMSE在两种方法间的差异无统计学意义外,周期性填补法的NRMSE和RMSE均小于spline填补法(P<0.05)。相同缺失比例下,序列长度较短时,两种填补方法的差异无统计学意义;序列长度较长时,周期性填补法的填补效果优于spline填补法。结论总体上,周期性填补法对含有确切周期性的时间序列中缺失数据的填补效果较好。     

时间序列分析在空气污染与健康领域的应用及其R软件实现

目的探讨时间序列分析在空气污染健康影响研究领域的应用与软件实现,为我国相关工作提供实用的操作方法参考。方法利用美国芝加哥市1987年至2000年大气污染与死亡数据,分别采用广义线性模型、广义相加模型,并结合分布滞后模型,介绍时间序列分析的基本理论与R软件实现步骤。结果时间序列分析可在R软件中方便实现。结论 R软件为时间序列分析在空气污染流行病学研究中的应用提供了相对成熟的软件包,在实际研究中值得推广。     

用时间序列分析法进行尘肺流行预测研究

目的 对尘肺的历史流行和中长期预测进行研究。方法 采用线性趋势分析、逐步回归周期分析和平稳随机序列分析的方法,把尘肺患病数量变化的时间序列分解为趋势项、周期项和随机项,经叠加后用于中长期预测。结果 揭示1960－1998年福建省尘肺时间序列中存在的规律,得出1999－2007年福建省尘肺患病数的预测值。结论 时间序列分析法可用于尘肺患病娄的预测。     

医学时间序列谱分析中的日历因素及修正方法

医学现象的科学研究,有时需对客观事物进行 动态观察。按时间顺序排列的随机变量的一组实测值是随机过程的一个实现,称作时间序列。时间序列统计特征研究包括两个范畴:一是基于协方差函数/自相关函数的时域分析,另一是基于功率谱密度函数的频域分析。谱分析算法应注意数据序列的采集方式与最终谱图意义解释之间的一致性问题,     

时间序列中随机型缺失数据的填补及预测效果比较

目的本文旨在通过填补时间序列资料中的随机型缺失数据并拟合ARIMA模型,比较三种填补方法的填补和预测效果。方法利用SAS产生平稳、有周期性的时间序列并构造不同比例的随机型缺失,分别采用周期性填补法、均值填补法和三次样条函数插值法进行缺失数据的填补,并对填补后序列拟合ARIMA模型进行序列预测。采用配对t检验对三种填补方法的填补误差和序列预测误差进行比较。结果三种填补方法的填补值与真值的差异均无统计学意义(P>0.05);随着缺失比例的增大,周期性填补法的填补误差和序列预测误差均小于三次样条函数插值法和均值填补法。结论周期性填补法对于含有确切周期信息的时间序列缺失数据,填补效果较优。     

非正态纵向数据随机生成的Monte Carlo模拟方法

目的建立非正态纵向数据的随机序列生成方法。方法根据任意累积分布函数均服从[0,1]的均匀分布原理,通过反函数计算即可将标准多元正态分布随机序列转换为任意分布下的目标随机序列,从而随机生成非正态纵向数据。结果分别对指数分布和二项分布相关序列进行模拟随机数生成,通过对样本的统计分析,均满足预先设定的结果。结论本文提出的非正态纵向数据的随机生成的Monte Carlo模拟方法可产生任意分布下的相关随机序列,不受变量类型限制,方法简单,且具有理论依据,为非正态纵向数据的研究提供了模拟基础。     

非正态纵向数据随机生成的Monte Carlo模拟方法北大核心CSCD

目的建立非正态纵向数据的随机序列生成方法。方法根据任意累积分布函数均服从[0,1]的均匀分布原理,通过反函数计算即可将标准多元正态分布随机序列转换为任意分布下的目标随机序列,从而随机生成非正态纵向数据。结果分别对指数分布和二项分布相关序列进行模拟随机数生成,通过对样本的统计分析,均满足预先设定的结果。结论本文提出的非正态纵向数据的随机生成的Monte Carlo模拟方法可产生任意分布下的相关随机序列,不受变量类型限制,方法简单,且具有理论依据,为非正态纵向数据的研究提供了模拟基础。     

时间序列周期性检验方法研究进展

时间序列是按时间顺序根据一定采样间隔对客观事物进行动态观察得到的一组数据,由于每次采样存在随机因素的作用,各次观察指标都是随机的,因此时间序列被称作随机过程的一次样本实现.周期成分常常是一个时间序列具有的特征,如生物医学信号处理中的心电图、脑电图、医院月度门诊量等都具有一定的周期性.准确地把握时间序列的周期特征对于揭示动态数据蕴含的客观信息具有重要意义.一方面通过检测序列所具有的真实周期,用于序列的信息特征分析;另一方面,一些研究不局限于发现序列的周期成分,而是进一步利用具有周期特性的时间序列作为前提进行预测与预报、检测不规则波动、发现序列异同、判断移动假日效应等[1].     

应用时间序列统计方法分析广东省1984～1993年乙型脑炎季节性分布特性

对构成双向有序列联表时间序列数据的广东 1984～ 1993年 10年乙型脑炎 (乙脑 )逐月发病资料 ,应用游程检验和有序对数比检验两种不同统计方法进行季节性分布分析 ,获一致的统计结论 ,乙脑发病呈明显的一年一峰 ( 6月或 7月 )季节性周期 ,这对流行病学工作者掌握两种统计方法的基本原理和方法有一定帮助。     

Microsoft时序挖掘模型在门诊挂号预测中的应用

对时间序列数据进行分析的目的是为了预测未来。其分析方法有多种,本文介绍作为分析方法之一的Microsoft时序挖掘模型,在Excel环境下实现对时间序列数据的分析预测。本文将展示它在门诊挂号预     

时间序列法预测细菌性痢疾发病文献回顾

目的描述时间序列分析在细菌性痢疾发病预测领域的研究现状。方法设定纳入标准后在中国知网数据库中收集该主题相关文献。结果自2009年以来,共有19项研究利用时间序列分析方法进行菌痢发病率的预测分析,研究分布在11个省、自治区和直辖市。其中15项研究在地区层面基于地级市的数据进行预测分析。结论时间序列分析已在传染病发病率预测预警领域引起广泛关注和应用。     

SPSS软件中不常见周期时间序列的设定

正时间序列分析是处理时间序列数据的常用方法[1],在此方法中,需要定义日期,SPSS软件界面data=Define Dates提供了定义日期的常用类型,由year_,quarter_,month_,week_,day_,hour_,minute_,second_和date_组成,但是并不是所有这些时间的自由组合。例如weeks只能和days、hours组合,而无法和year形成周期为52周的组合。对于一些其他的周期性数据也存在同样的问题