求和自回归滑动平均模型在5岁以下儿童死亡率预测中的应用

目的分析北京市5岁以下儿童死亡率(U5MR)的长期变化趋势,探讨求和自回归滑动平均模型(ARIMA)预测U5MR的效果,并对2016-2020年北京市U5MR进行预测。方法基于北京市5岁以下儿童死亡监测网收集1992-2015年北京市5岁以下儿童死亡数据。以1992-2013年北京市U5MR为训练样本,拟合ARIMA模型。分别以1992-2013年和2014-2015年北京市U5MR为校验样本,对模型进行内外部验证。通过EViews 8.0和SPSS 19.0软件实现。结果 1992-2013年北京市U5MR呈下降趋势,22年间下降了81.50%。而2014和2015年略有回升,2年间上升了4.86%。构建最佳的死亡率预测模型为ARIMA(1,1,1):x_t=-0.445+1.509x_(t-1)-0.509x_(t-2)+α_t+0.999α_(t-1),R~2=0.982,MAPE=4.76%,AIC=2.15,BIC=2.30,满足白噪声。经内外部验证,实测值和预测值差异均无统计学意义(P_(内部)=0.401,P_(外部)=0.655)。利用此模型预测2016-2020年北京市U5MR,预测值分别为2.88‰、2.87‰、2.90‰、2.97‰和3.09‰。结论 1992-2013年北京市U5MR呈下降趋势,2014和2015年则略有回升。利用ARIMA(1,1,1)模型对北京市U5MR进行预测,效果较好。预测2016-2020年北京市U5MR呈现小幅上升趋势,提示应加大对北京市妇幼保健工作的投入和关注。     

ARIMA模型结合圆分布法分析冠心病死亡率动态规律

目的 通过ARIMA模型结合圆分布法对1999年1月-2006年12月天津市冠心病逐月死亡率数据进行分析,研究其动态变化规律.方法 应用圆分布法探讨冠心病死亡率的季节分布.通过模型辨识、参数估计及其检验、模型的拟合度分析等过程,建立ARIMA季节乘积模型(p,d,g)(p,D,Q)s.结果 冠心病死亡率以年为周期,一年中1月为高发月份.建立了ARIMA(0,1,0)×(0,1,1)12模型:(1-B)(1-B12)ln xt=0.002+(1-0.421 B)(1-0.796 B12)ε1.结论 ARIMA乘积模型结合圆分布法是对冠心病死亡率进行时间序列分析的重要方法,可对今后的冠心病流行趋势及死亡率进行预测.     

应用ARIMA模型和圆分布分析病毒性脑炎病例数动态规律

目的探讨构建并应用自回归求和移动平均模型结合圆分布法分析病毒性脑炎病例数动态规律的时间序列模型方法。方法建立2001年1月至2011年12月病毒性脑炎逐月病例数的数据库。应用圆分布法分析发病高峰。建立2001年1月至2010年12月自回归求和移动平均模型的季节乘积模型ARIMA（声,d,q）×（P,D,Q）s,并利用模型预测2011年各月的病毒性脑炎病例数。结果圆分布法分析显示各年度病毒性脑炎病例数多发生于7月份,病例数高峰在7月28Et,具有明显的集中趋势（P〈0．001）;建立ARIMA（1,1,1）×（0,1,1）。。为最优模型,该模型Ljung—BoxQstatistic值为16．628,P值为0．342,NormalizedBIC为6．590。结论ARIMA乘积模型结合圆分布法是病毒性脑炎进行时间序列分析的重要方法;应用该方法对病毒性脑炎流行趋势及病例数进行预测,为卫生资源合理分配,采取开展健康教育和干预措施提供科学依据。     

基于求和自回归滑动平均模型的道路交通伤害死亡趋势预测分析

目的  分析2014-2018年河北省道路交通伤害死亡情况, 探讨求和自回归滑动平均模型(autoregressive integrated moving average model, ARIMA)在道路交通伤害死亡趋势预测中的可行性。 方法  采用描述流行病学分析2014-2018年河北省道路交通伤害死亡概况, 运用R 3.5.3软件对河北省2014年1月-2018年6月道路交通伤害月度死亡资料建立ARIMA预测模型, 进行整体回代观察拟合效果, 比较2018年7月-12月预测值与真实值, 评价预测效果。 结果  2014-2018年河北省累计报告道路交通伤害死亡人数13 147例, 男性10 071例, 女性3 076例, 年均死亡率为17.79/10万, 总体呈现下降趋势。构建的最佳预测模型为ARIMA(0, 1, 1)(0, 1, 1)₁₂, 赤池信息量准则(Akaike information criterion, AIC)为390.64, Schwaz贝叶斯准则(Schwarz Bayesian criterion, SBC)为395.78;残差序列为白噪声序列(均有P > 0.05), 模型参数非零(均有P < 0.05);预测结果实际值均落在预测值95%置信区间内, 预测值与实际值之间的相对误差在1.15%~11.85%之间, RMSE=13.65, MAE=10.88, MAPE=4.80%, 模型预测性能良好。 结论  河北省道路交通伤害死亡水平总体呈逐年下降趋势, ARIMA模型可用于道路交通伤害死亡趋势的短期预测。     

季节性差分自回归滑动平均模型在上海市道路交通伤害预测中的应用

[目的]探讨季节性差分自回归滑动平均(SARIMA)模型预测道路交通伤害的可行性,为掌握上海市交通伤害趋势提供依据。[方法]利用EVIEWS软件对2000—2009年上海市道路交通伤害死亡的季度数据进行SARIMA模型拟合,并利用2010年数据对预测数据进行验证。[结果]上海市道路交通死亡具有明显的季节要素,趋势要素呈逐步下降趋势;对原始图形识别后,综合考察几种模型拟合优劣,最终采用SARIMA(2,1,0)(0,1,1)4,其能很好地拟合上海市道路交通伤害死亡情况。2010年4个季度死亡率预测值分别为1.49/105、1.74/105、1.93/105和2.06/105,实际值均在预测区间内,残差也显示为白噪声序列。预测结果较好。[结论]SARIMA模型是一种能较好地预测道路交通伤害趋势的工具,可为预防与控制道路交通伤害提供决策依据。     

求和自回归移动平均模型在通辽市成蚊密度预测中的应用

目的 分析通辽市不同年份成蚊密度,通过拟合求和自回归移动平均模型(autoregressive integrated moving average, ARIMA)对未来蚊虫密度进行预测。方法 选用诱蚊灯法监测通辽市2017—2021年不同生境成蚊密度,根据监测结果,建立ARIMA模型,对2022年成蚊密度进行预测。结果 2017—2021年通辽市各监测点平均蚊密度为7.91只/(灯·夜)。其中淡色库蚊为优势蚊种。在五类生境中,除2017年农户蚊密度较高外,其他年份都是牲畜棚密度较高。每年成蚊密度均为单峰曲线,除2017年高峰出现在7月份外,其余年份高峰均出现在8月,根据2017—2021年蚊虫密度结果,拟合ARIMA(1,1,1)×(1,1,0)₁₂模型,残差序列为白噪声序列(Q=14.498,P=0.488),用此模型预测2022年的成蚊密度,5—10月份分别为8.12、7.48、13.79、29.31、22.08和12.37只/(灯·夜)。结论 利用2017—2021年的数据建立ARIMA模型,能够预测2022年的成蚊密度和季节消长趋势,为进一步蚊媒传染病风险...     

自回归滑动平均建模的一种简便定阶方法 自回归滑动平均(n,n-1)建模策略

目的介绍时间序列中自回归滑动平均(ARMA)建模的一种简便定阶方法——ARMA(n,n-1)建模策略。方法简要说明ARMA(n,n-1)建模策略,并以模拟的ARMA(3,2)序列为例,进行ARMA(n,n-1)建模。结果结合AIC信息准则和残差序列图,确定了模型合理的阶数。结论ARMA(n,n-1)建模策略简便易懂,适合医学工作者采用。     

自回归滑动平均混合模型在甘肃省麻疹发病预测中的应用

目的 探讨应用自回归滑动平均混合模型(Autoregressive Integrated Moving Average Model,ARIMA)预测甘肃省麻疹发病率的可行性.方法 应用SPSS 13.0软件对甘肃省1995～2006年麻疹逐月发病率进行ARIMA建模拟合;按照残差不相关原则、简洁原则、赤迟准则与贝叶斯准则建立ARIMA麻疹预测模型,用2007年分月发病数检验模型.结果 模型ARIMA(1,0,0)(0,1,1)1>(不含常数项)所有参数都通过统计学检验,残差序列是白噪声,拟合优度相对最好,参数间也无明显相关性(r=0.069).结论 ARIMA模型很好地模拟和预测了麻疹既往发病周期性以及各月发病数,将其应用于甘肃省麻疹发病预测是可行的.     

自回归滑动平均混合模型在医院感染发病率预测中的应用研究

目的 探讨自回归滑动平均混合(ARIMA)模型的应用价值,为医院感染的监控和预警模式建立提供辅助信息.方法 以2005年1月-2010年12月宁夏某医院的医院感染发病率建立ARIMA模型,进行样本内回代评价预测模型的可行性,以2011年1-10月的发病率资料作为模型预测评价样本,检测模型预测值和实际值的拟合程度,以相对误差绝对值平均(MAPE)值评价ARIMA模型的预测准确性.结果 ARIMA季节乘积模型(0、1、1)×(0、1、1)12的AIC、SBC值分别为1.9047、1.9752,为最优模型,模型表达式为12 Lnyt=(1+0.6841L)、(1 +0.8003 L12),其样本内拟合MAPE值为23.48％,R2=0.5423,模型具有外推价值,样本外预测MAPE值为12.55％,R2 =0.6213,模型预测精度良好.结论 用ARIMA模型对医院感染发病率的拟合结果满意,预测效果良好,可为医院感染的防治提供参考依据.     

季节自回归滑动平均模型在食源性疾病发生预测中的作用

目的 建立食源性疾病发病的季节自回归滑动平均模型(seasonal autoregressive integrated moving average,SARIMA)模型,并对验证集进行预测.方法 本研究使用R 4.0对重庆市南岸区2016年1月—2020年6月食源性疾病罹患率进行SARIMA模型拟合.结果 该食源性疾病...     

自回归移动平均混合模型在中国道路交通伤害预测中的应用

探讨时间序列分析的自回归移动平均混合模型(ARIMA)在中国道路交通伤害(RTI)预测中的应用。收集1951-2011年中国道路交通伤害资料, 进行时间序列分析, 建立ARIMA模型。构建得到RTI事故起数ARIMA(1, 1, 0)预测模型为Yt=eY+0.456Y+e, 其中, et为随机误差, 模型残差序列为白噪声, Ljung.Box检验P>O.05, 统计量无统计学意义, 拟合效果良好。应用该模型预测2011年中国RTI事故起数, 预测值与实际观测结果相符, 实际观测值在预测值95%CI内。用该模型预测2012年中国RTI事故起数, 预测值(95%c, )为207838(107579～401536)。应用ARIMA模型能较好地预测中国道路交通伤害情况。     

单纯ARIMA模型和ARIMA．GRNN组合模型在猩红热发病率中的预测效果比较

探讨单纯求和自回归滑动平均(ARIMA)模型和求和自回归滑动平均模型与广义回归神经网络(GRNN)组合模型在猩红热发病率研究中的应用.该研究对某市2000-2006年猩红热月发病率资料建立ARIMA模型,然后将其拟合值作为GRNN的输入,实际值作为网络的输出训练网络,然后比较两个模型的效果.结果 表明,单纯ARIMA模型和组合模型的平均误差率(MER)分别为31.6%、28.7%;决定系数(R2)分别为0.801、0.872.组合模型的效果要优于单纯ARIMA模型,可以用于发病率的拟合与预测.     

差分自回归移动平均模型在肾综合征出血热发病预测中的应用研究

目的探讨差分自回归移动平均模型（ARIMA）在肾综合征出血热（HFRS）预测分析中的应用。方法用SPSS16．0软件建立1986-2011年河北省HFRS逐月疫情资料数据库,用ARIMA相关模块进行建模拟合并进行预测分析。结果河北省1986-2011年HFRS发病数呈现明显的季节周期性。筛选ARIMA（0,1,1）×（0,1,2）_12模型为最优模型,对河北省2012年各月发病数进行预测,2012年1-12月实际值均落人了预测值的95％可信区间内。结论ARIMA模型可以很好地拟合HFRS发病数的变动趋势,并可用于预测未来疫情,为HFRS防控工作提供依据。     

深圳市ARIMA在肾综合征出血热发病预测中应用

目的 建立时间序列分析的自回归求和移动平均(ARIMA)模型,预测深圳市肾综合征出血热(HFRS)发病趋势。方法 深圳市2005—2013年HFRS逐月发病率建立预测深圳市HFRS的最优ARIMA模型,利用2014年逐月HFRS发病率回代来检验模型预测效果,根据预测值与实际值的相对误差判断模型的预测精度,再以2005—2014年HFRS逐月发病率构建模型预测2015年的HFRS发病率。结果 模型ARIMA(1,0,1)(1,0,1)₁₂较好地拟合既往时间段的发病序列,各项参数(AR=0.993,MA=0.926,SAR=0.967,SMA=0.857)均有统计学意义(P<0.01),BIC值=-3.300,Ljung-Box模型统计量Q=20.794,P=0.107,模型残差为白噪声,2014年逐月HFRS发病率的预测值符合实际值的变动趋势,全年发病率预测值与实际值的相对误差率为20.74%。预测2015年深圳市HFRS发病率为4.28/100万 。结论 ARIMA模型能很好地模拟深圳市HFRS发病率在时间序列上的变化趋势,并对未来的发病率进行预测。     

自回归求和移动平均模型在广州市新生儿先天性甲状腺功能减低症发病率趋势预测的应用

目的 分析构建并应用自回归移动平均模型(ARIMA)对广州地区先天性甲状腺功能减低症(CH)发病率进行预测的可行性,为合理制定CH的防治、保健的策略及措施提供科学依据.方法 汇总广州市1991-2018新生儿CH筛查发病率数据,基于1991-2016年CH发病率数据建立最优ARIMA模型,通过比较2017-2018年预...     

ARIMA模型在我国法定传染病报告数中的应用

目的 利用自回归移动平均乘积季节（ARIMA）模型建立适合我国法定传染病月报告发病数的预测模型,借此预测我国法定传染病的变化趋势。方法 利用R软件对2009年5月至2016年7月我国法定传染病月报告发病数据建立ARIMA模型,用2016年8月至2017年1月实际值与预测值进行比较,从而评价模型的预测性能。结果 我国法定传染病月报告发病数具有明显的季节性,且报告在每年2月出现最低峰,6月呈现最高峰;建立ARIMA （4,1,0）（1,1,1）₁₂模型对我国法定传染病发病数进行预测,模型预测的最大相对误差为9.78%,最小为2.21%,平均值为5.39%。结论 ARIMA （4,1,0）（1,1,1）₁₂乘积季节模型较好的拟合了我国法定传染病月报告发病数,可用于预测。     

应用自回归移动平均模型预测分析江西省流行性腮腺炎的发病趋势

目的 应用自回归移动平均模型（ARIMA）预测分析江西省流行性腮腺炎的发病趋势。方法 利用ARIMA对江西省2015-2019年每月流行性腮腺炎报告发病数进行建模,预测12个月的发病数,并与2020、2021、2022年报告发病数进行比较分析。结果 最优模型为ARIMA（0,2,1）（1,2,0）₁₂。预测发病数显著高于2020、2021、2022年报告发病数。2020、2021、2022年流行性腮腺炎报告发病数较预测发病数分别减少54.02%、63.40%、66.09%。结论 2020-2022年江西省流行性腮腺炎报告发病数明显低于预测发病数,考虑与非药物干预措施、免疫策略的改变等有关,建议进一步加强流行性腮腺炎监测,以更好应对流行性腮腺炎疫情。