您的账号已在其他设备登录,您当前账号已强迫下线,
如非您本人操作,建议您在会员中心进行密码修改

确定
收藏 | 浏览205 | 下载0

目的 分析2007—2016年苏州市水痘病例发病时间规律,预测2017年苏州市水痘的发病趋势.方法 应用季节自回归移动平均模型(SARIMA),对苏州市2007—2016年由中国疾病预防控制信息系统上报的水痘病例监测资料进行时间序列分析,使用前108个月数据资料(2007—2015年)建立模型,后12个月数据资料(2016年)进行模型预测效果评估,随后预测2017年发病人数.结果 水痘病例监测资料构建模型的形式为SARIMA(0,1,1)(0,1,1)12,非季节性和季节性自回归系数差异有统计学意义(P=0.000).白噪声残差分析显示序列自相关函数的Ljung-Box Q统计量为21.866(P=0.148),表明残差为随机性误差.根据前108个数据资料所建立的模型,使用2016年数据验证预测效果良好,实际值均在预测值的95%可信区间内,符合率100%.结论 研究为首次拟合的SARIMA模型描述苏州市水痘病例的发病时间规律效果良好,对苏州市水痘疫情防控工作有积极指导意义.

作者:刘娜;朱轶姮;栾琳;陈立凌

来源:公共卫生与预防医学 2018 年 29卷 6期

知识库介绍

临床诊疗知识库该平台旨在解决临床医护人员在学习、工作中对医学信息的需求,方便快速、便捷的获取实用的医学信息,辅助临床决策参考。该库包含疾病、药品、检查、指南规范、病例文献及循证文献等多种丰富权威的临床资源。

详细介绍
热门关注
免责声明:本知识库提供的有关内容等信息仅供学习参考,不代替医生的诊断和医嘱。

收藏
| 浏览:205 | 下载:0
作者:
刘娜;朱轶姮;栾琳;陈立凌
来源:
公共卫生与预防医学 2018 年 29卷 6期
标签:
水痘 时间序列分析 SARIMA模型 预测
目的 分析2007—2016年苏州市水痘病例发病时间规律,预测2017年苏州市水痘的发病趋势.方法 应用季节自回归移动平均模型(SARIMA),对苏州市2007—2016年由中国疾病预防控制信息系统上报的水痘病例监测资料进行时间序列分析,使用前108个月数据资料(2007—2015年)建立模型,后12个月数据资料(2016年)进行模型预测效果评估,随后预测2017年发病人数.结果 水痘病例监测资料构建模型的形式为SARIMA(0,1,1)(0,1,1)12,非季节性和季节性自回归系数差异有统计学意义(P=0.000).白噪声残差分析显示序列自相关函数的Ljung-Box Q统计量为21.866(P=0.148),表明残差为随机性误差.根据前108个数据资料所建立的模型,使用2016年数据验证预测效果良好,实际值均在预测值的95%可信区间内,符合率100%.结论 研究为首次拟合的SARIMA模型描述苏州市水痘病例的发病时间规律效果良好,对苏州市水痘疫情防控工作有积极指导意义.

Baidu
map