ARIMA模型在传染病发病率预测中的应用_第1页
ARIMA模型在传染病发病率预测中的应用_第2页
ARIMA模型在传染病发病率预测中的应用_第3页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1、ARIMA莫型在传染病发病率预测中的应用作者：吴家兵叶临湘尤尔科【关键词】时间序列分析；ARIMA模型；预测；法定传染病；发病率，摘要：目的：探讨应用时间序列ARIMA模型进行法定传染病发病率预测的可行性。方法：应用SPSS11瞰件对1986年2002年逐月发病率进行RIMA模型建模拟合， 用所得到的模型对2003年各月发病率进行预测， 并与实际发病率进行比较。结果：ARIMA(0,1,1)义(0,1,1)12模型很好地拟合了既往时间段上的发病率序列，对2003年各月发病率的预测值符合实际发病率变动趋势。结论：ARIMA模型能很好地模拟传染病发病率在时间序列上的变动趋势，并对未来的发病率进行预

2、测，为传染病防治工作服务。关键词：时间序列分析；ARIMA模型；预测；法定传染病；发病率时间序列是按时间顺序排列的一组数据，时间序列分析就是利用这组数据，应用数理统计方法加以处理，以预测未来事物的发展。近年来这一方法已经越来越多的应用于经济管理、气象预测、病虫害预测等领域，也有人将其应用于疾病发生的预测：13。我们尝试运用时间序列分析中被广泛应用的ARIMA模型对东风汽车公司1986年2002年的法定传染病月发病率进行拟合，并探讨使用此模型进行发病率预测的可行性，为传染病监测和防治提供帮助。1材料和方法11材料东风汽车公司疾病控制所1986年2003年逐月法定传染病发病数及年度人口数。12方法

3、用SPSS115进行数据处理与分析。ARIMA莫型建模过程按4个阶段进行4:序列平稳化：ARIMA的应用需要时间序列符合平稳性的要求；模型的识别：主要是根据ACF图和PACF图的特征，提出几种可能的模型作进一步分析；模型参数估计和模型诊断：对提出的模型进行参数估计和诊断，如模型不恰当，则回到第二阶段，重新选定模型；预测应用：1986年2002年的数据用于建立模型，2003年的数据用于验证模型的预测效果。2建模步骤21序列的平稳化一个平稳的随机过程应符合以下要求：均数不随时间变化；方差不随时间变化；自相关系数只与时间间隔有关，而与所处的时间无关：2。对原序列作线图，发现1996年以前数据的变异较大，序列的方差在前后差别明显。因此首先对数据采取自然对数变换，以平稳序列的方差。经过对数转换后的序列作直线回归拟合，直线回归系数=-,t=,可以认为序列有下降趋势。 再对经自然对数转换后的序列作自相关图， 发现ACF序列在时点12、24、36处都有一个局部极大值，说明存在以12个时间单位为一个周期的季节性。根据上述特点，采用先进行一次一般差分，再进行一次季节差分的方法分别消除趋势和季节的影

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论