《ARIMA模型在传染病发病率预测中的应用》由会员分享，可在线阅读，更多相关《ARIMA模型在传染病发病率预测中的应用（3页珍藏版）》请在金锄头文库上搜索。
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测，
2、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方法用S
3、PSS115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响。经分析此时序列已消除了趋势（回归系数=,t=,P=），也没有明显的周期性，符合ARIMA模型的平稳性的要求。
