自回归移动平均模型在全国流行性腮腺炎发病数预测中的应用

发布时间：2021-02-01 15:36

　　目的:应用自回归移动平均模型预测全国流行性腮腺炎月发病数。方法:运用Eviews 8.0软件对2013年10月至2018年10月的腮腺炎发病数构建乘积季节ARIMA模型,以2018年11月至2019年10月的数据作为检验样本,对模型的预测效果进行检验,再用所建模型预测2019年11月至2020年10月的全国腮腺炎月发病数。结果:通过对序列的平稳化、模型的识别、建立和诊断,建立ARIMA（3,1,2）×（1,1,1）₁₂模型,该模型拟合效果显示,调整的R²为0.905,AIC值为-3.920,预测值与实际值的平均绝对误差为-561例,平均相对误差为4.59%。结论:ARIMA（3,1,2）×（1,1,1）₁₂模型能较好地拟合全国腮腺炎月发病数的变化趋势,可用于我国腮腺炎的短期预测和动态分析。 

【文章来源】：甘肃科技纵横. 2020,49(06)

【文章页数】：5 页

【部分图文】：

2013年10月至2018年10月全国腮腺炎月发病数趋势

首先对数据进行了一次自然对数转换，使该序列的方差平稳下来，再进行一次非季节性差分和一次季节性差分，之后观察处理后的序列图（如图2所示）。从图2可以看出，差分后的序列虽然仍有些波动，但其均值基本在0上下摆动，之后又对差分后的数据序列采用ADF检验法进行单位根检验，发现ADF检验的统计量t=-6.493,P=0.000，说明经过变换后的序列平稳，可以进行建模。2.3 模型定阶及建立

根据模型的参数估计和检验以及残差分析进行初筛，发现同时满足以上两个条件的模型共有3个，分别是ARIMA(3,1,2）×（1,1,1)12、ARIMA(3,1,1）×（1,1,2)12和ARIMA(3,1,1）×（2,1,1)12（见表1），这三个模型的参数均具有统计学意义，且残差均为白噪声。再根据调整的R2和BIC进行综合判断，发现ARIMA(3,1,2）×（1,1,1)12该模型拟合效果最好，其调整的R2值是三个模型最大，为0.905,AIC值为三个模型最小，为-3.920，因此本研究选择ARIMA(3,1,2）×（1,1,1)12模型作为最优模型（详见表1、表2所列）。2.4 模型的检验

【参考文献】：
期刊论文
[1]2011-2016年合肥市流行性腮腺炎流行病学特征[J]. 姜春晓,尤恩情,刘振武,陈丽丽,吴华兵,黄芬.  中华疾病控制杂志. 2019(08)
[2]2004～2018年全国流行性腮腺炎发病特征及重点防控人群分析[J]. 蒋蕊鞠,殷琼洲,徐明珏,赵志梅,邓燕,车艳春.  中国当代儿科杂志. 2019(05)
[3]自回归移动平均乘积季节模型在甲型肝炎发病数中的应用[J]. 李欣阳,李素娟,刘晓迪,樊安彤,闫萍,刘洪庆.  山东大学学报(医学版). 2018(12)
[4]ARIMA模型在我国法定传染病报告数中的应用[J]. 沈忠周,马帅,曲翌敏,江宇.  中华流行病学杂志. 2017 (12)
[5]乘积季节自回归积分滑动平均模型在流行性腮腺炎发病率预测中的应用[J]. 惠石生,陈立章,刘富强,欧阳艳昊.  中华预防医学杂志. 2015 (12)
[6]我国流行性腮腺炎流行概况及其免疫预防[J]. 汤健闻,柳智豪.  微生物学免疫学进展. 2015(03)
[7]流行性腮腺炎46例的流行病学及临床特征分析[J]. 朱洪坤.  中华传染病杂志. 2014 (11)
[8]细菌性痢疾月发病率ARIMA季节模型预测分析[J]. 石雷.  中国公共卫生. 2014(09)
[9]中国20102012年流行性腮腺炎流行病学特征分析[J]. 胡咏梅,郝利新,王华庆.  中国疫苗和免疫. 2014(02)
[10]2008-2012年长沙市流行性腮腺炎流行病学特征分析[J]. 钟贵良,林希建,刘姝.  中华疾病控制杂志. 2014(02)



本文编号：3013008