ARIMA模型在传染病发病率预测中的应用
时间序列分析；,ARIMA模型；,预测；,法定传染病；,发病率,,时间序列分析；,ARIMA模型；,预测；,法定传染病；,发病率,关键词：时间序列分析；ARIMA模型；预测；法定传染病；发病率,1材料和方法,2建模步骤,3讨论,参考文献
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SPSS115软件对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)×(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，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[1~3]。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SPSS115进行数据处理与分析。ARIMA模型建模过程按4个阶段进行[4]：① 序列平稳化：ARIMA的应用需要时间序列符合平稳性的要求；② 模型的识别：主要是根据ACF图和PACF图的特征 ......
您现在查看是摘要页，全文长 5945 字符。