不同时间序列分析方法在高血压发病率预测中比较.docVIP

不同时间序列分析方法在高血压发病率预测中比较 　【摘要】 　　目的 比较时间序列分析中指数平滑法、移动平均法、自回归分析及求和自回归滑动平均法（ARIMA）在海西州地区2001年1月至2007年12月高血压发病率预测中的优劣。方法 用时间序列分析各方法建模预测，比较各方法的误差平方和、赤池信息量、施瓦茨信息量、拟合优度和拟合效果，确定最佳预测方法。结果 指数平滑法、移动平滑法、自回归分析法及求和自回归滑动平均法中，ARIMA模型的误差平方和、赤池信息量、施瓦茨信息量最小，拟合优度最大，拟合效果最好。结论 海西州地区2001年1月至2007年12月的高血压发病率预测中，时间序列诸分析方法中求和自回归滑动平均法预测效果最好。 【关键词】 ARIMA模型；预测;时间序列分析;高血压;发病率 　　【Abstract】 Objective To provide the fittest model for forecasting hypertension incidence in Haixizhou region by comparing the results of exponential smoothing, moving average, autoregressive model and autoregressive integrated moving average model (ARIMA model) from January to December in 2007. Methods The fitting effects of four statistical methods were compared and the fittest model was chosen. Results Among the four statistical methods, the effect of fitting and prediction of moving average model was the best. Conclusions Moving average model seems to be the fittest one in the prediction of hypertension in Haixizhou region from January, 2001 to December，2007. 　　【Key words】 ARIMA model; Predict; Time series analysis; Hypertension; Incidence 　　近来，时间序列分析无论在理论上还是在应用方面，都有迅速的发展，成为概率统计学中一个内容丰富的重要分支，作为一种现代数据处理方法，时间序列分析在系统辨识与系统分析中占有十分显著的地位〔1〕。由于疾病发病率是有记忆的随机过程，残差间自相关不独立，所以不能用一般线性回归建模，应当选用适当的模型描述指标变化规律，利用模型作短期预测〔2〕。高血压发病率受到许多因素的制约，且这些因素之间又保持着错综复杂的联系，因此，运用结构性的因果模型分析和预测往往比较困难。本文尝试应用时间序列分析对青海海西州地区高血压发病资料进行分析，以阐明其变化规律，达到快速有效地预测。 　　1 资料与方法 　　1.1 资料来源 　　全部发病资料取自青海海西州第一人民医院。经过核对、补漏，从而保证资料的准确和完整。运用Excel2003及EViews3.1对2001年1月至2007年12月海西州地区高血压发病资料进行整理分析，统计海西州地区2001～2007年的高血压月发病率（记为yt）。 　　1.2 方法 　　根据被预测变量自身的变化规律来建立模型，然后利用这个模型来预测该变量未来的变化。时间序列分析包括指数平滑法、移动平滑法、自回归分析及求和自回归滑动平均法（ARIMA法）〔3〕。主要通过比较各方法的拟合优度、误差平方和等实现评价。分析由EViews3.0软件完成。 　　1.3 建模、预测 　　1.3.1 指数平滑法 　　用序列过去值的加权均数来预测将来的值，近期的给以更大的权数，远期的给以较小的权数。表达式为：t=ayt，+（1-a)t-1,yt是当期真实值，t是当期平滑值，t-1是上期平滑值，a是平滑系数，它的取值范围为0≤a≤1。到时期t时，只需要知道实际数值和本期预测值两个数据就可预测下一个时间的数值。 　　1.3.2 移动平滑法〔4〕 　　利用一组观察值的均值作为下一期的预测值，设时间序列为y1、y2、y3…可以表示为Ft+1=1N∑tt=N+1yt，其中yt为必威体育精装版观察值，Ft+1为下一期的预测值，N为一组观察值的个数。q阶移动平均模型的公式为：yt=ε1-θ1εt-1-θ2εt-