数学建模论文对脑卒病环境因素分析及干预的研究

1、对脑卒中发病环境因素分析及干预的研究摘要随着社会经济的发展，人们生活水平的不断提高，但与此同时伴随着城市化进程加快，人口密度加大，生活节奏加快和膳食结构改变等不良现象，一些严重威胁人们身体健康的疾病发生。脑卒中以其高的发病率、致残率、病死率和复发率而越来越引起人们的关注，且其发病率呈逐年上升趋势。研究调查脑卒中的发病环境因素，其目的是为了进行疾病的风险评估，摸清脑卒中发病的相关危险因素，探讨有效的干预措施，减少人群的发病率。对脑卒中高危人群能够及时采取干预措施，也让尚未得病的健康人，或者亚健康人了解自己得脑卒中风险程度，进行自我保护。同时，通过建立数据系列模型（其中运用了数理统计、回归分析、风

2、险评估、概率与概率分布计算的方法），掌握疾病发病率的规律，对于卫生行政部门和医疗机构合理调配医务力量、改善就诊治疗环境、配置床位和医疗药物等都具有实际的指导意义。通过回归性分析，中国某城市各家医院2007年1月至2010年12月的脑卒中发病病例信息的资料，采用数据分析的关系模型研究影响脑卒中发病的相关危险因素。我们知道患脑卒中与年龄、职业等因素有关。通过数理统计（主要采用EXCEL软件执行），概率与概率分布的计算，再根据病人基本信息，对发病人群进行统计描述。对数据进行观察分析，利用比较分析法，研究脑卒中的发病率与气温、气压、相对湿度间的关系。通过回归分析、预测评价，着重讨论历史数据对预测的作用

3、，进而对高危人群提出预警和干预的建议方案。通过运用matlab等软件，我们可以对相关模型进行检验，知道脑卒中患病率与气温、气压、相对湿度间呈现相关性。通过风险评估，脑卒中发病的相关危险因素，提出早期社区预防、宣传教育、心理辅导，早期的康复护理干预等措施，为降低脑卒中发病率、治疗及康复提供重要依据。关键词：数理统计系列模型、脑卒中、非条件Logistic回归分析、概率与概率分布的计算、比较分析法，风险评估一、问题重述脑卒中（Stroke）是脑中风的学名，是一种突然起病的脑血液循环障碍性疾病。又叫脑血管意外，是指在脑血管疾病的病人，因各种诱发因素引起脑内动脉狭窄，闭塞或破裂，而造成急性脑血液循环障

4、碍，临床上表现为一过性或永久性脑功能障碍的症状和体征脑卒中分为缺血性脑卒中和出血性脑卒中。脑卒中后的预后各不相同，但研究显示： 大约30%幸存者不能达到完全恢复，尽管日常活动不需要帮助。另外20%的幸存者至少有一项活动需要接受帮助，多数（60%）需要接受医疗机构的帮助。脑卒中患者的幸存者的寿命会急剧减少，并且脑血管事件复发的可能性迅速增高。脑卒中在中老年人群中具有很高的发病率、致残率、病死率和复发率的疾病，给患者和家属带来很大的心理及经济负担。若能及早预防、诊断、治疗、早期康复训练干预，可以显著降低其死亡率，然而多数患者忽视早期或较早期的康复护理剂锻练而导致终身残疾，生活无法自理或者部分自理，

5、不能独立生活和工作，因此，有必要了解影响脑卒中患者发病的危险因素及发病机制，建立数学模型研究脑卒中发病率与气温气压、相对湿度间的关系，对发病人群进行统计描述，为提出综合的对预警和干预的建议方案提供依据。此时我们需要解决：问题一：根据病人基本信息，对发病人群进行统计描述。问题二：建立数学模型研究脑卒中发病率与气温、气压、相对湿度间的关系。问题三：查阅和搜集文献中有关脑卒中高危人群的重要特征和关键指标，结合问题（一）、（二）中所得结论，对高危人群提出预警和干预的建议方案。二、问题的分析1、概述 ： 题目旨在通过大量的数据，分析脑卒中的发病环境因素，进行疾病的风险评估，对脑卒中高危人群能够及时采取干

6、预措施，也让尚未得病的健康人，或者亚健康人了解自己得脑卒中风险程度，进行自我保护。同时，通过数据模型的建立，掌握疾病发病率的规律，对于卫生行政部门和医疗机构合理调配医务力量、改善就诊治疗环境、配置床位和医疗药物等都具有实际的指导意义。2、 相关分析 ：2 1 对于问题一的分析根据病人基本信息，利用数据统计与概率分析，统计分析各年龄的得病人数，让人们提高防患意识，以减少得病率2.2 对于问题二的分析关于脑中风的发病率与气温、气压、相对湿度间的关系，利用数据统计和多元回归分析，建立模型2.3 对于问题三的分析建立对于高危人群提出预警和干预的建议模型三、模型的假设1) 人群的数量足够大，只考虑发病过

7、程的平均效应。2) 健康人感病的机会与其他接触病人的机会程正比。3) 不考虑出生与死亡的过程和人群的迁出与迁入。4) 影响脑卒中发病率的因素是相互独立的且不会因为外界环境的变化而改变。5) 对数据可以进行筛选，对于无效数据予以直接排除。6) 附件中给出的数据都是正确的。7) 假设4年内人口不变，那么当年患病率的变化可以用当年人口变化代替。8) 除患病特征外，人群的个体间没有差异，病人与健康人的个体在人群中是均匀混合的。四、符号设定与模型的求解4.1问题一的符号设定与模型求解4.1.1符号设定 ： 表示男性脑卒中患病人数占当年总患病人数概率 ； ： 表示女性脑卒中患病人数占当年总患病人数概率 ；

8、 ： 表示各种不同职业脑卒中患病的概率 () ； ： 表示各年龄阶段脑卒中患病的概率 ； ： 表示当年男性脑卒中患病者的个数 ； ： 表示当年女性脑卒中患病者的个数 ； ：表示第i职业所占得人数 ；：表示第i区间阶段所占人数 ；4.1.2模型建立1、根据病人基本信息，对脑卒中发病人群进行统计描述 1）性别对患脑卒中的影响：年份 2007200820092010男657210645768110936女5351885473359701、 （2007-2010年不同性别的患病人数）每年男性、女性患病的概率分别是： ，利用excel,可以得出：2007200820092010P男0.551203556

9、0.5459254320.5115210440.529921985P女0.4487964440.4540745680.4884789560.470078015由图表易看出：不同性别对患上脑卒中是有影响的，而且女性患脑卒风人数少于男性，而且，所以男性患病概率可能性比女性患病概率大。 2）职业对患脑卒中的影响 ：对2007年1月至2010年12月的数据处理，得到处理结果如下： 由 可得各职业脑卒中患病人数的概率；由上面统计分析可知： 农民与工人脑卒中的患病人数占总患病人数比重明显比较高。而医务人员及职工、教师的患病人数比总患病人数比重要低。3）不同年龄阶段发病统计图 ： 不同年龄阶段患病的概率公式

10、 ： ；对上述数据进行统计分析，发现在50岁之后患上脑卒中的概率很大，50岁以上随着年龄增加中风发病率亦有增加，并且在5080之间呈现倍数增长，在90岁之后变少，是因为大部分人寿命活到80几岁。但是我们从统计图中可以发现青中年中风发病者亦有增加，不可忽视。其中，脑卒中发生率：老年人中年人青年人。4）不同月份对患脑卒中的影响 : 对四年不同月份的图表进行分析研究，发现春夏季节时脑卒中的患病率要低于秋冬季节，说明在寒冷及温差变化向冷的那种方向都可能是脑卒中患病率增高的因素。也可能是春夏及秋冬的各种环境因素（如气压、气温及相对湿度）而导致的，以下着手分析研究。(附件中excel1、excel2 、e

11、xcel3、excel4表格的相关数据进行数理统计，得到以上图像)4.2、问题二的符号设定与模型建立、求解建立数学模型研究脑卒中发病率与气温、气压、相对湿度间的关系。4.2.1 符号设定： 表示气压环境因素的各项数据， ： 表示气温环境因素的各项数据， ： 表示气温环境因素的各项数据 ，: 表示2007-2010年脑卒中发病率，4.2.3 模型建立对2007年至2010年的环境因素图表进行统计，利用matlab工具作出因量y（脑卒中发病率）与各自变量x(发病环境因素)样本散点图。 其中表示相应年的发病环境因素。（实现这些图形的matlab程序如附件4）A 图一其中下图分别表示2007年、200

12、8年、2009年、2010年的气压因素与患病关系的散点图（可参考附件3程序1）B 图二其中下图分别表示2007年、2008年、2009年、2010年的气温因素与患病率关系的散点图（可参考附件3程序2） C,图三其中下图分别表示2007年、2008年、2009年、2010年的相对湿度因素与患病率关系的散点图（可参考附件3程序3）作散点图，可以观察因变量（脑卒中发病率）与各自变量(发病环境因素)的变化规律，以便选择恰当的数学模型（如附件2），从中可以看出这些点大致分布在一条直线附近，有较好的线性关系，可以采用多元线性回归。具体步骤如下：a) 利用matlab统计工具箱及附件4中的表格2试建立一个因

13、变量对自变量年的线性回归方程。Step1 ：设有p个观察自变量x1，x2，xp ，并用向量，因变量为y，且记y的总体均数为，随机误差eN(0,s2)且独立，则线性回归模型可以表示为对于观察值，其中，i=1,2,n。对应的线性回归模型为且独立。处理后得到：dfSSMSFSignificance F回归分析36.9559847292.3186615763.7716912190.116156869残差42.4590152710.614753818总计79.415总平方和SS总描述样本量为n10的因变量y总的变异。回归平方和SSR描述了样本量为n时，由自变量x1,x2变化而引起的因变量y的这部分变异，

14、SSe描述了样本量为n时，由随机误差项e所引起的因变量y的一部分变异，因此：总变异自变量引起y的变异随机误差e引起变异对应：SS总SS回归SS误差由于SS总，SS回归和SS误差均与样本量n有关，样本量n越大，对应变异就越大。所以取平均变异指标：均方差MS，Coefficients标准误差t StatP-valueLower 95%Intercept-26.0818361176.96050286-0.3388989820.736297925-181.185536平均气 压0.0390469890.0748740890.5215020290.604632347-0.111851819平均气温0.0

15、891415270.0683556991.3040833260.198986351-0.04862033平均相对湿度-0.0949417470.034618415-2.742521450.008784409-0.164710578回归方程Step2:解释回归系数的意义简述，自由度df回归模型中的回归系数个数(不含常数项)， 模型的假设检验H0：b1=b2=0 vs b1，b2不全为0当H0成立时，F(df回归,df残差) 单个回归系数检验：H0：b0 vs H1：b¹0当H0：b0成立时，Step 3:（a）假设检验一般情况叙述(b)决定系数(c)复相关系数R(d) H0:b1=b2

16、=br=0 vs b1,b2,br不全为0。当H0成立时m(x1,x2,xp)的估计及其误差(STATA命令：predict y1) (STATA命令：predict meansd,stdp)(因为有抽样误差)95%CI ，自由度v=n-1-p(STATA命令：predict y1)线得到初步的回归方程： 。其中，利用excel软件得出相关数据之间关系的残差图如下：图形1： 图形2：图形3：2）由处理后的残差拟合图看出，环境因数对患脑卒中有明显影响。那么存在怎样的影响，我们通过excel数据分析处理，研究每一项环境因素患病率的相关性。（excel处理部分图如下）相关系数患病率平均气压平均温度平

17、均相对湿度患病率1平均气压-0.1392500551平均温度0.163846884-0.9400114391平均相对湿度-0.267461611-0.3756940670.4244853641表格说明 ： 患病率与平均气压呈现负相关； 患病率与平均温度呈现正相关； 患病率与平均相对湿度呈现负相关； 3）对题目附录中2007年至2010年的数据进行统计处理，研究每项环境因素（压力差、温度差、相对湿度差）与当月患病人数的变化规律。 2007年各项环境因数与患病率关系的折线图 ：分别是压力差、温度差、及相对湿度差与患病率的折线图 2008年各项环境因数与患病率关系的折线图 ：分别是压力差、温度差、及

18、相对湿度差与患病率的折线图 2009年各项环境因数与患病率关系的折线图 ：分别是压力差、温度差、及相对湿度差与患病率的折线图 2010年各项环境因数与患病率关系的折线图 ：分别是压力差、温度差、及相对湿度差与患病率的折线图由上面纵多数据系列统计以及图像的分析研究，发现温度、气压以及大气湿度之间都具有线性关系，温差变化大的季节，脑卒中的发生率也会随之升高。 4.3 问题三的分析总结4.3.1 脑中风的重要特征：1、头晕，特别是突然发生的眩晕；2、头痛，与平日不同的头痛即头痛突然加重或由间断性头痛变为持续性剧烈头痛；3、肢体麻木，突然感到一侧脸部或手脚麻木，有的为舌麻、唇麻或一侧上下肢发麻。4、突

19、然一侧肢体无力或活动不灵活，时发时停；5、暂时的吐字不清或讲话不灵；6、突然出现原因不明的跌跤或晕倒；7、精神改变，短暂的意识丧失，个性的突然改变和短暂的判断或智力障碍；8、出现嗜睡状态，即整天的昏昏欲睡；9、突然出现一时性视物不清或自觉眼前一片发黑，甚至一时性突然失明；10、恶心呕吐或呃逆，或血压波动并伴有头晕、眼花耳鸣；11、一侧或某一肢体不由自主抽动；12、鼻出血，特别是频繁性鼻出血。 脑中风的关键指标：1、 高血压病，无论是出血性中风还是缺血性中风，高血压是最主要的独立危险因素。通过降压药、低盐饮食等将血压逐渐降至140/90mmHg以下。 2、 糖尿病，通过控制饮食、降糖药，将血糖降

20、至3.9-6.1mmol/L正常范围。 3、 心脏疾病，如风湿性心脏病、冠心病。尤其防止心房颤动引起栓子脱落造成脑栓塞。 4、 血脂代谢紊乱，极低密度脂蛋白、低密度脂蛋白是引起动脉粥样硬化的最主要脂蛋白，高密度脂蛋白是抗动脉硬化脂蛋白。 5、短暂性脑缺血发作（TIA），TIA本身是缺血性中风分类的一个类型，也可以是脑梗塞的先兆或前区症状，应及时治疗。 6、吸烟与酗酒； 7、血液流变学紊乱，特别是全血黏度增加时脑血流量下降，其中红细胞比积增高和纤维蛋白原水平增高是缺血性中风的主要危险因素； 8、肥胖，肥胖与超重均为缺血性中风的危险因素，与出血性中风无关。 9、 年龄和性别，年龄是动脉粥样硬化的重

21、要危险因素，粥样硬化程度随年龄增高而增加。4.3.2 结合模型一、模型二中所得结论，提出对高危人群预警和干预的建议方案：1），结合模型一、模型二中所得结论，我们需要进行风险评估。 首先，结合性别、职业、不同年龄阶段、不同月份与脑卒风患病率之间的关系，进行风险评估。由模型一，我们知道：在每个年龄组的发病率中 ；农民与工人患脑卒中的概率很大，而医务人员及职工、教师患病概率很小；脑卒中发生率：老年人中年人青年人；春夏季节时脑卒中的患病率要低于秋冬季节。 其次，根据模型二，我们知道：脑卒中发病率与气温、气压、相对湿度之间具有密切的关系 根据这些模型的建立及相关数据的分析，掌握疾病发病的规律，尽量让所有

22、人掌握脑中风的相关知识，减少此种疾病的发生及危害。2）对高危人群预警和干预的建议方案： 对国家社会的建议方案： 开展健康教育，进行脑卒风相关知识测试，并落实到每个人，通过健康教育宣传体育锻炼对健康的益处，带领他们做健身训练操，让其保持乐观的心情。 行为干预措施：针对高危人群个体设置饮食和运动指导意见，强化运动的强度要适中。建立居民健康档案，采取各种行为方式积极发现社区内脑中风病的高危人群。建立脑中风病高危人群的信息库，对高血压、糖尿病、血脂紊乱、肥胖等不同危险因素实行分类管理。对具有脑中风病高危危险因素的人群(高血压、糖尿病、脂代谢异常、冠心病，房颤等)实行规范划的基本治疗，追踪患者病情，及时

23、调整用药，发现异常情况及时向患者提出预警。对社区脑中风病防治进行质控和评估。 对个人的建议方案：打破旧习惯的约束，加强锻炼身体。节制饮食，饮食须清淡有节制，戒烟酒，保持大便通畅。注意气象因素的影响：季节与气候变化会使高血压病人情绪不稳，血压波动，诱发中风，在天气环境变化大时，注意自己衣着。注意定期检查。五、模型的检验1，对模型二的检验1.1 （1）对于自变量p个自变量x1，x2，xp中，以其中一个xi作为因变量作回归以及其它p-1个变量为自变量，得到相应的决定系数Ri。定义xi的膨胀因子（2）VIFi=1对应说明xi与其它p-1个自变量无共线。（3）当对应VIFi>1（4）当，说明xi与

24、其它p-1个自变量完全共线，对应VIFi成为无穷大。（5）通常认为在p个自变量x1，x2，xp中,最大的VIF>10，则认为严重共线，最小二乘估计受到较严重的影响。(6）平均VIF>>1，则认为（7）寻找影响因变量的主要因素。（8）用回归进行两组或多组的均数比较并校正混杂因素的影响。1.2 利用MATLAB软件，可以得出残差与拟合值的散点图及时序图如下（可以参考附件4）：图形1：患病率与气压之间的散点图及时序图，其程序见附件4.4 残差与拟合值的散点图 时序残差图图形二：患病率与温度之间的散点图及时序图，其程序见附件4.5 残差与拟合值的散点图 时序残差图图形三：患病率与相对

25、湿度之间的散点图及时序图，其程序见附件4.6 残差与拟合值的散点图 时序残差图1)相关系数R的评价：一般地，相关系数绝对值在0.81范围内，可判断回归自变量与因变量具有较强的线性相关性。本例气压R、气温R、相对湿度R的绝对值分别为0.0013、0.0008、0.0070，表明线性相关性较弱。2）F检验法：当>时则拒绝原假设，即认为因变量y与自变量，、之间显著地有线性相关关系；否则认为因变量y与自变量，、之间线性相关关系不显著。气压= 0.0579 、。气温= 0.0370、相对湿度 = 0.0340通过查表得到，线性相关性不强。3）值检验：若<（为给定的显著水平），则说明因变量y与

26、自变量，、之间显著地有线性相关关系，本模型输出结果，=0.0000，显然满足<=0.05六、模型的推广我们建立的模型基于多元回归分析与灰色模型及excel进行数据的处理.对于调查统计脑中风可以根据模型达到较高的精度,能够很好的运用。掌握疾病发病率的规律，对于卫生行政部门和医疗机构合理调配医务力量、改善就诊治疗环境、配置床位和医疗药物等都具有实际的指导意义。若本论文能够在糖尿病,艾滋病等高危人群的疾病进一步的深究的话,将会有更大的现实推广意义。七、模型的优缺点优点 ：1）可以方便的根据病人基本信息，对发病人群进行统计描述模型的适应范围广。模型中涉及的各数据可以通过Excel或Matlab程

27、序处理（少量数据可以采用Excel轻快处理，数据规模较大时由Matlab程序实现，见附录）。2） 模型中涉及的某些权重具有一定的创新性3）计算和表示更加客观和清晰，便于理解。4）它存在反馈机制，并且具有稳定性、灵活性，能够准确地处理残缺及不一致性很差的数据。5） 可以加入其他条件的限制，使得到的方案更加实用。6）风险评估，在通过方案的评估和论证后，不仅对方案进行了修改和充实，还对打算要实施的方案会产生的影响有了进一步的了解，对决定实施的重大事项中存在的不稳定因素要制定好应急预案，一旦发生要立即根据预案进行化解，详细评估的结果可用来管理安全变化。缺点 ：由常识或资料给出，可能和实际过程中稍有出入

28、。建模方法相对单一，对同一个数据没有建立多个模型。算法复杂，必须用到计算机。八 参考文献及参考书籍1 章绍辉，数学建模，北京：科学出版社，2010。2 韩中庚，数学建模方法及其应用(第一版)，北京：高等教育出版社，2005。3 陈光亭、裘哲勇、主编， 数学建模，北京：高等教育出版社，2010。4 姜启源，数学模型（第三版），北京：高等教育出版社，2003。附件 ：附件1表格及图12007年各职业患病人数职业农民工人职业20072008200920102007200820092010患病人数6471105111521137870511464681358职业退休人员教师年2007200820092

29、0102007200820092010患病人数17412671022223563847职业渔民医务人员年20072008200920102007200820092010患病人数15379514181713职业职工离退人员年20072008200920102007200820092010患病人数4880861473708560525表格及图22008年各职业患病人数职业农民工人退休人员教师渔民医务人员职工离退人员患病人数105111146267163371880856表格及图32009年各职业患病人数职业农民工人退休人员教师渔民医务人员职工离退人员患病人数111116160689393120表格

30、及图4 2010年各职业患病人数职业农民工人退休人员教师渔民医务人员职工离退人员患病人数113781358222247513147525 附件2表格1月份123456平均气压1028102110181016.510081006最高气压1030102410211019.310111008最低气压102610181015101410061004气压差4.095.7646.3395.31334.9843.327患病率（%）7.65.888.68.58.2平均温度4.58.72511.5615.3722.6224.68最高温度8.0413.6615.9320.3427.6428.19最低温度1.875

31、.0077.95211.29318.4922.12温度差6.178.6577.9779.04679.1526.067患病率（%）7.65.888.68.58.2平均相对湿度73.270.7969.2962.56761.7775.5最小相对湿度51.246.0748.5838.16739.3959.1相对湿度差22.124.7120.7124.422.3916.4患病率（%）7.65.888.68.58.2月份789101112平均气压100310051010101910241023.5最高气压1004.810071012102110261025.9最低气压1001.21003100910171

32、0221021.3气压差3.54843.713.6373.8684.014.6患病率（%）8.19.49.610.28.96.9平均温度29.39429.624.319.3412.67.9258最高温度33.65233.628.0623.481711.077最低温度26.28726.621.6616.058.935.2温度差7.36456.996.4037.4298.15.8774患病率（%）8.19.49.610.28.96.9平均相对湿度73.32369.176.0771.656267.774最小相对湿度55.4195160.7751.9745.458.839相对湿度差17.90318.1

33、15.319.6816.68.9355患病率（%）8.19.49.610.28.96.9（2007年数据分析）表格2 2008年数据分析月份123456平均气压1027.2291027.6341018.8131014.6131008.5551005.577最高气压1029.8131030.1481021.3031017.141010.8031007.607最低气压1024.6031025.0071016.1941011.761006.1811003.537气压差5.2096775.1413795.1096775.384.6225814.07患病率（%）10.411.211109.98.1平均温

34、度3.1290322.99310311.0774215.6321.4096823.49333最高温度6.2193557.59655215.9677419.9533326.812926.81最低温度0.832258-0.586217.01290312.1033317.0419421.05气压差5.3870978.1827598.9548397.859.7709685.76患病率（%）10.411.211109.98.1平均相对湿度57.5161357.8965557.9677462.4333366.2580682.36667最小相对湿度55.2258142.79 36.612946.633334

35、0.4193566.53333气压差2.29032315.1034521.3548415.825.8387115.83333患病率（%）10.411.211109.98.1表格32009年数据分析月份123456平均气压1027.6681019.5571019.4351015.6831012.1261003.39最高气压1030.2481022.7211022.7611018.1931014.1161005.057最低气压1024.7551016.0461016.1581012.9931009.8451001.463气压差5.4935486.6756.6032265.24.2709683.59

36、3333患病率（%）8.38.18.97.89.87.7平均温度2.961298.29642910.0032315.9066721.612926.02最高温度7.28387111.414.1838720.8127.3419430.69667最低温度-0.367745.7107146.17419411.6633316.7193522.5温度差7.6516135.6892868.0096779.14666710.622588.196667患病率（%）8.38.18.97.89.87.7平均相对湿度69.6451679.4642970.9354867.361.2580674.36667最小相对湿度4

37、7.0322663.5357149.2903242.334.5161351.73333相对湿度差22.612915.9285721.645162526.7419422.63333患病率（%）8.38.18.97.89.87.7月份789101112平均气压1003.8261005.8481012.121016.8421023.4371024.574最高气压1005.5351007.5031013.741018.7841026.0071027.042最低气压1002.0391004.1841010.4971015.0231020.6871022.129气压差3.4967743.3193553.2

38、433333.761295.324.912903患病率（%）8.98.589.38.56.2平均温度28.4387127.5516124.3320.4419411.033335.554839最高温度32.3645231.0354827.7866725.0709715.199.325806最低温度25.125.2580621.7233316.503237.9733332.535484温度差7.2645165.7774196.0633338.5677427.2166676.790323患病率（%）8.98.589.38.56.2平均相对湿度75.1290381.548398069.5483977.

39、471.90323最小相对湿度56.61296562.7333342.3548456.8666750.58065相对湿度差18.5161316.5483917.2666727.1935520.5333321.32258患病率（%）8.98.589.38.56.2表格42010年数据分析月份123456平均气压1025.7551020.7 1020.3711017.8771009.7871007.64最高气压1029.0061023.5751024.0481021.361011.8131009.113最低气压1022.311017.6361016.591014.331007.61006.04气压

40、差6.6967745.9392867.4580657.034.2129033.073333患病率（%）97.898.59.67.8平均温度4.438716.9428578.74838712.5233320.7064523.7最高温度8.87096810.8821413.116.7625.1580627.53333最低温度1.0322583.8071435.438719.02333317.1290320.76温度差7.838717.0757.661297.7366678.0290326.773333患病率（%）97.898.59.67.8平均相对湿度70.9354874.6785770.8064

41、569.5666768.387176.4最小相对湿度50.612955.4285751.0967750.446.5483956.96667相对湿度差20.3225819.2519.7096819.1666721.8387119.43333患病率（%）97.898.59.67.8月份789101112平均气压1005.2231007.4711011.5131018.8521021.941020.239最高气压1006.7871009.211013.21020.7651024.121023.29最低气压1003.5611005.6421009.861017.0261019.7471016.916气

42、压差3.2258063.5677423.343.738714.3733336.374194患病率（%）9.18.78.298.35.4平均温度28.587130.4322625.5466718.0580612.993336.93871最高温度32.6096834.9354829.3433322.117.9512.02258最低温度25.8354826.9741922.6733314.667748.6866673.077419温度差6.7741947.961296.677.4322589.2633338.945161患病率（%）9.18.78.298.35.4平均相对湿度75.5806571.5

43、806577.274.2903268.962.22581最小相对湿度58.1290351.6451658.4666752.0967742.4333338.51613相对湿度差17.4516119.9354818.7333322.1935526.4666723.70968患病率（%）9.18.78.298.35.4附件3表格1 患病人数平均气压平均气温平均相对湿度预测 Y残差标准残差2007年1月8931028.2264.573.231097.218-204.218-0.664927261020.7148.7370.791132.93-406.93-1.3249310091018.28111.5

44、669.291178.821-169.821-0.55291410431016.54315.3762.571353.426-310.426-1.01069510691008.38722.6261.771389.118-320.118-1.04225610301006.1724.6875.51108.881-78.8813-0.2568279941002.97129.3973.321186.786-192.786-0.62768811701004.92929.5569.11295.719-125.719-0.40932912141010.4524.376.071132.79681.20390.2

45、643861013671018.95519.3471.651240.008126.99220.4134651112041024.1212.5762.031399.656-195.656-0.637021213611023.4587.9367.771211.488149.51150.4867842008年1月18041027.233.1357.521397.311406.68851.324109219391027.632.9957.91391.33547.67031.783122319101018.8111.0857.971413.75496.25041.615707417421014.6115

46、.6362.431341.352400.6481.304442517351008.5521.4166.261280.777454.22331.478874614101005.5823.4982.37943.935466.0651.517429713381003.6730.1771.321245.63992.360890.300711813581005.8528.0177.321112.351245.6490.799792912681011.2524.9579.431078.994189.00580.6153711014381018.1919.9177.191124.681313.31881.0201131113681023.1812.0775.571101.364266.63590.8681221212991025.056.865.551257.93141.068830.1337132009年1月8191027.672.9669.651146.048-327.048-1.0648128271019.568.379.46935.1804-108.18-0.3522238041019.441070.941134.602-330.602-1.0763848461015.6815.9167.31253.665-407.665-1.327295854