ARIMA馍型在流行性腮腺炎疫情预测中应用.doc

ARIMA馍型在流行性腮腺炎疫情预测中的应用 　　[摘要]目的建立乘积季节自回归移动平均（ARIMA）模型，观察其对河南省流行性腮腺炎疫情预测的可行性。方法利用河南省2004～2013年分月的流行性腮腺炎疫情监测资料建立乘积季节ARIMA模型，利用2014年1～12月的流行性腮腺炎疫情资料评价该模型的预测效能。结果河南省2004～2013年流行性腮腺炎发病呈现明显的季节效应，且发病数在2006年后呈现逐年增多的趋势；模型ARIM（1，0，2）（0，1，1）12能较好地拟合既往的流行性腮腺炎报告病例数，且对2014年1～12月按月报告的流行性腮腺炎病例数的预测值与实际值基本吻合。结论ARIMA模型能较好地模拟、预测河南省流行性腮腺炎的发病情况 [关键词]乘积季节自回归移动平均模型；流行性腮腺炎；疾病预测 [中图分类号]R512.1 [文献标识码]A [文章编号]2095-0616（2016）02-07-04 流行性腮腺炎是一种由腮腺炎病毒引起的急性呼吸道传染病，其传染性仅次于麻疹和水痘，严重影响了青少年儿童的身体健康。近年来，河南省流行性腮腺炎发病呈现上升趋势，其防控形势不容乐观，因此，为科学有效地应对流行性腮腺炎防控，有必要对流行性腮腺炎发病水平进行短期预测，国内外有研究者利用疫情监测数据构建自回归移动平均（ARIMA）模型，根据近几年某传染病的流行特点，来进一步预测该传染病的发病情况和发展趋势，取得了较好的预测效果。本研究利用河南省2004～2013年分月流行性腮腺炎疫情监测数据建立ARIMA模型，并利用2014年的监测数据评价ARIMA模型的预测效果，进而探讨河南省流行性腮腺炎发病趋势预测预警的方法 1.资料与方法 1.1一般资料 资料来源于《中国疾病监测信息报告系统》中河南省2004年1月-2014年12月流行性腮腺炎月发病病例数共169 537例 1.2研究方法 基于2004年1月～2013年12月流行腮腺炎发病数资料建立乘积季节ARIMA模型，用2014年流行腮腺炎发病数资料来验证模型的预测效果。ARIMA模型包括：自回归模型（AR）、移动平均模型（MA）和ARIMA模型，一般包括4个步骤，分别为：序列平稳化、模型的识别、参数估计和模型诊断、预测应用，依据2004年1月～2013年12月流行腮腺炎发病数资料，通过这3个步骤反复建模，筛选出最优的预测模型。（1）模型识别：观察2004～2013年流行腮腺炎分月监测数据的时间序列的平稳性，如若是非平稳序列，要通过数据转化和一阶周期为12的季节性差分将序列平稳化。首先，根据平稳序列的ACF图和PACF图，来识别序列的季节性成分，然后，再根据残差序列的ACF图和PACF图，识别非季节性成分，最终识别模型。（2）参数估计：依据最大似然法或无约束最小二乘法原则，根据序列的自相关系数和偏相关系数，经过不同方法的参数选择、比较、筛选，估计出自回归移动平均过程的系数，并对各系数进行显著性假设检验。（3）模型检验：预测模型是否合适，取决于其残差序列是否为白噪音序列，合适的模型其残差呈白噪音，其ACF和PACF与零应无统计学差异，利用此标准对所建立的ARIMA模型是否合适作出诊断。若几个模型都能满足要求，选取AIC、BIC较小者及R2较大者，则模型效果较好。（4）模型预测：对序列进行平稳化后，选择最优的模型，对河南省2014年1～12月的按月报告的流行腮腺炎病例数的数据进行预测，观察其预测效果 1.3统计学处理 采用Excel 2007建立河南省流行性腮腺炎月报告发病数数据库，运用PASW statistics19.0软件进行ARIMA模型构建及统计分析 2.结果 2.1河南省2004～2013年流行性腮腺炎报告病例数的变化趋势 河南省2004～2013年流行性腮腺炎报告病例数呈现明显的季节性，每年的3～7月及11月～次年1月呈现发病高峰，自2006年起，呈现上升趋势，提示该时间序列为非平稳序列。河南省2004～2013年流行性腮腺炎月发病数时间序列图，见图1 2.2模型识别结果 从原序列图可以看出，该序列方差不平稳，且有明显的季节规律，为消除原序列的不平稳趋势，首先对其进行对数转换和季节差分，经对数转换和1次季节差分后作ACF和PACF分析（图2）。根据图2可以看出，ACF图在时点1呈现一个高峰，而PACF图在季节性时点1、13、25处呈现指数衰减，由上述特点可初步选定季节模型是ARIMA（0，1，1）12 同时图2中，ACF图在12点处还出现了一个单一的季节性低估。我们对ARIMA（0，1，1）12残差序列进行ACF和PACF分析（图3），与标准的ACF和PACF图比较，非季节模型可能是ARIMA（1，0